論文の概要: Reducing numerical precision preserves classification accuracy in Mondrian Forests

• arxiv url: http://arxiv.org/abs/2106.14340v1
• Date: Mon, 28 Jun 2021 00:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 01:29:37.511608
• Title: Reducing numerical precision preserves classification accuracy in Mondrian Forests
• Title（参考訳）: 数値精度の低下はモンド林の分類精度を保っている
• Authors: Marc Vicuna, Martin Khannouz, Gregory Kiar, Yohan Chatelain and Tristan Glatard
• Abstract要約: Mondrian Forestは強力なデータストリーム分類手法であるが、その大きなメモリフットプリントは低リソースプラットフォームに不適である。 メモリ消費の低減のために,縮小精度浮動小数点表現を用いて検討し,その性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mondrian Forests are a powerful data stream classification method, but their large memory footprint makes them ill-suited for low-resource platforms such as connected objects. We explored using reduced-precision floating-point representations to lower memory consumption and evaluated its effect on classification performance. We applied the Mondrian Forest implementation provided by OrpailleCC, a C++ collection of data stream algorithms, to two canonical datasets in human activity recognition: Recofit and Banos \emph{et al}. Results show that the precision of floating-point values used by tree nodes can be reduced from 64 bits to 8 bits with no significant difference in F1 score. In some cases, reduced precision was shown to improve classification performance, presumably due to its regularization effect. We conclude that numerical precision is a relevant hyperparameter in the Mondrian Forest, and that commonly-used double precision values may not be necessary for optimal performance. Future work will evaluate the generalizability of these findings to other data stream classifiers.
• Abstract（参考訳）: mondrian forestsは強力なデータストリーム分類手法だが、その大きなメモリフットプリントは、コネクテッドオブジェクトのような低リソースプラットフォームに適している。 メモリ消費の低減のために,縮小精度浮動小数点表現を用いて検討し,その性能評価を行った。 我々は,データストリームアルゴリズムのC++コレクションであるOrpailleCCによって提供されるMondrian Forestの実装を,RecofitとBanos \emph{et al}の2つの標準データセットに適用した。 その結果,木ノードが使用する浮動小数点値の精度を64ビットから8ビットに削減でき,f1スコアに有意な差は認められなかった。 いくつかのケースでは、その正規化効果により分類性能が向上することが示されている。 数値精度はモンドリアン林における関連するハイパーパラメータであり, 最適性能にはよく使われる2倍精度の値が必要でないと結論づけた。 今後の研究は、これらの発見の他のデータストリーム分類器への一般化可能性を評価する。

関連論文リスト

• Fractional Naive Bayes (FNB): non-convex optimization for a parsimonious weighted selective naive Bayes classifier [0.0]
  非常に多数の入力変数を持つデータセットの分類を監督した。 本稿では,このモデルを用いたBalihoodの正規化を提案する。 提案したアルゴリズムは最適化に基づく重み付けNa"iveesスキームをもたらす。
  論文  参考訳（メタデータ） (2024-09-17T11:54:14Z)
• BooleanOCT: Optimal Classification Trees based on multivariate Boolean Rules [14.788278997556606]
  最適な分類木を導出するために,MIP(Mixed-integer Programming)の定式化を導入する。 提案手法は,F1スコアなどの非線形指標と同様に,精度,バランスの取れた精度,コストに敏感なコストを含む線形メトリクスを統合する。 提案したモデルでは,実世界のデータセットに対して現実的な可解性を示し,数万のサイズの処理を効果的に行う。
  論文  参考訳（メタデータ） (2024-01-29T12:58:44Z)
• Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
  我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。 提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
  論文  参考訳（メタデータ） (2023-07-27T17:42:06Z)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• Dynamic Ensemble Size Adjustment for Memory Constrained Mondrian Forest [0.0]
  本稿では,メモリ制約下では,木に基づくアンサンブル分類器のサイズを増大させることで,その性能が悪化することを示す。 データストリーム上でメモリバウンドのモンドリアン林に最適なアンサンブルサイズが存在することを実験的に示す。 本手法は,安定なデータセットに対して,最適な大きさのモンドリアン林の性能の最大95%を達成できると結論付けた。
  論文  参考訳（メタデータ） (2022-10-11T18:05:58Z)
• Boosting the Discriminant Power of Naive Bayes [17.43377106246301]
  本稿では,スタックオートエンコーダを用いた特徴拡張手法を提案し,データ中のノイズを低減し,ベイズの識別力を高める。 実験結果から,提案手法は最先端のベイズ分類器よりも大きく,かつ一貫した性能を示した。
  論文  参考訳（メタデータ） (2022-09-20T08:02:54Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Bioinspired random projections for robust, sparse classification [0.0]
  生物センシングシステムにおけるランダム・プロジェクションの利用に着想を得て,分類問題におけるデータ処理のための新しいアルゴリズムを提案する。 これはヒトの脳とショウジョウバエの嗅覚系の観察に基づいており、小さなエントリを切り離すためにキャップ操作を適用する前に、データを非常に大きな次元の空間にランダムに投影する。
  論文  参考訳（メタデータ） (2022-06-18T15:24:20Z)
• On the Eigenvalues of Global Covariance Pooling for Fine-grained Visual Recognition [65.67315418971688]
  グローバル共分散プーリング(GCP)の小さな固有値をトラッピングすることで、よりスムーズな勾配が得られることを示す。 きめ細かいデータセットでは、小さな固有値の切り抜きは、モデルを収束させるのに失敗する。 この観測から着想を得て,小さな固有値の重要性を拡大するネットワーク分岐を提案する。
  論文  参考訳（メタデータ） (2022-05-26T11:41:36Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。