Fugu-MT 論文翻訳(概要): RRULES: An improvement of the RULES rule-based classifier

論文の概要: RRULES: An improvement of the RULES rule-based classifier

arxiv url: http://arxiv.org/abs/2106.07296v1
Date: Mon, 14 Jun 2021 10:42:12 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 01:18:08.530048
Title: RRULES: An improvement of the RULES rule-based classifier
Title（参考訳）: RRULES: RULESルールベースの分類器の改良
Authors: Rafel Palliser-Sans
Abstract要約: RRULESは、一連のトレーニング例からIF-THEN規則を抽出する単純な帰納的学習アルゴリズムであるRULESの改良と最適化として提示される。その結果、RRULESは、複数のデータセット上で2、3倍高速に実行しながら、カバレッジ率を最大7倍にすることで、元のアルゴリズムよりも優れていた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: RRULES is presented as an improvement and optimization over RULES, a simple inductive learning algorithm for extracting IF-THEN rules from a set of training examples. RRULES optimizes the algorithm by implementing a more effective mechanism to detect irrelevant rules, at the same time that checks the stopping conditions more often. This results in a more compact rule set containing more general rules which prevent overfitting the training set and obtain a higher test accuracy. Moreover, the results show that RRULES outperforms the original algorithm by reducing the coverage rate up to a factor of 7 while running twice or three times faster consistently over several datasets.
Abstract（参考訳）: RRULESは、一連のトレーニング例からIF-THEN規則を抽出する単純な帰納的学習アルゴリズムであるRULESの改良と最適化として提示される。 RRULESは、無関係なルールを検出するためのより効率的なメカニズムを実装してアルゴリズムを最適化すると同時に、停止条件をより頻繁にチェックする。これにより、より一般的なルールを含むよりコンパクトなルールセットとなり、トレーニングセットのオーバーフィットを防止し、より高いテスト精度が得られる。さらに、RRULESは、複数のデータセット上で2、3倍高速に実行しながら、カバレッジ率を最大7倍にすることで、元のアルゴリズムよりも優れていた。

関連論文リスト

Scalable Rule Lists Learning with Sampling [9.681286056736292]
大規模データセットからほぼ最適なルールリストを学習するための新しいアプローチを提案する。本アルゴリズムは,最適規則リストの近似を効率的に取得するためにサンプリングを用いる。我々のアルゴリズムは、最先端の正確なアプローチに対して最大2桁の速度で、ほぼ最適なルールリストを識別する。
論文参考訳（メタデータ） (2024-06-18T17:15:00Z)
Iteratively Refined Behavior Regularization for Offline Reinforcement Learning [57.10922880400715]
本稿では,保守的政策反復に基づく行動規則化を大幅に強化する新しいアルゴリズムを提案する。行動規則化に使用される基準ポリシーを反復的に洗練することにより、保守的な政策更新は徐々に改善される。 D4RLベンチマークの実験結果から,本手法は従来のタスクのベースラインよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2023-06-09T07:46:24Z)
Efficient learning of large sets of locally optimal classification rules [0.0]
従来のルール学習アルゴリズムは、単純なルールの集合を見つけることを目的としており、各ルールは可能な限り多くの例をカバーする。本稿では、この方法で発見されたルールは、それらがカバーする例のそれぞれに対して最適な説明ではないかもしれないと論じる。本稿では,1つの特殊化ループと1つの一般化ループからなるグリーディ最適化において,各トレーニング例をカバーする最良のルールを見つけることを目的とした,効率的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-01-24T11:40:28Z)
Towards Correlated Sequential Rules [4.743965372344134]
高実用性シーケンシャルルールマイニング(HUSRM)は、結果のシーケンシャルパターンの発生を予測できる信頼度や確率を調査するために設計された。 HUSRMと呼ばれる既存のアルゴリズムは、生成されたシーケンシャルルール間の相関を無視しながら、すべての許容ルールを抽出することに制限されている。本稿では,HUSRMに相関の概念を統合するために,CoUSR(Cocorlation High-utility Sequence Rule Minr)と呼ばれる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-10-27T17:27:23Z)
A Screening Strategy for Structured Optimization Involving Nonconvex $\ell_{q,p}$ Regularization [5.522202658637732]
我々は、noll_qp$正規化を含む構造化最適化の解法において、計算効率を改善するためのルール戦略を開発する。我々は、IRL1法の有限個の繰り返しにおいて、我々の規則がすべての不活性変数を除去できることを証明した。数値実験は、いくつかの最先端アルゴリズムと比較して、スクリーニングルール戦略の効率を例示する。
論文参考訳（メタデータ） (2022-08-02T10:01:49Z)
Towards Target Sequential Rules [52.4562332499155]
ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
論文参考訳（メタデータ） (2022-06-09T18:59:54Z)
Sequence Transduction with Graph-based Supervision [96.04967815520193]
ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。 CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
論文参考訳（メタデータ） (2021-11-01T21:51:42Z)
Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。 DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
論文参考訳（メタデータ） (2021-02-23T18:56:13Z)
Better Short than Greedy: Interpretable Models through Optimal Rule Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文参考訳（メタデータ） (2021-01-21T01:03:48Z)
Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。近勾配法はOWL回帰を解くための標準手法として用いられる。未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
論文参考訳（メタデータ） (2020-06-29T23:35:53Z)
Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-23T04:25:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。