Fugu-MT 論文翻訳(概要): On Choice of Hyper-parameter in Extreme Value Theory based on Machine Learning Techniques

論文の概要: On Choice of Hyper-parameter in Extreme Value Theory based on Machine Learning Techniques

arxiv url: http://arxiv.org/abs/2107.06074v1
Date: Tue, 13 Jul 2021 13:32:10 GMT
ステータス: 処理完了
システム内更新日: 2021-07-14 18:37:33.407024
Title: On Choice of Hyper-parameter in Extreme Value Theory based on Machine Learning Techniques
Title（参考訳）: 機械学習に基づく極値理論におけるハイパーパラメータの選択について
Authors: Chikara Nakamura
Abstract要約: 極値理論(EVT)は極端な事象を分析する統計ツールである。本稿では,機械学習技術に基づくEVTにおけるハイパーパラメータの選択手法を提案する。
参考スコア（独自算出の注目度）: 0.6091702876917281
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Extreme value theory (EVT) is a statistical tool for analysis of extreme events. It has a strong theoretical background, however, we need to choose hyper-parameters to apply EVT. In recent studies of machine learning, techniques of choosing hyper-parameters have been well-studied. In this paper, we propose a new method of choosing hyper-parameters in EVT based on machine learning techniques. We also experiment our method to real-world data and show good usability of our method.
Abstract（参考訳）: 極値理論(EVT)は極端な事象を分析する統計ツールである。理論的な背景は強いが、EVTを適用するにはハイパーパラメータを選択する必要がある。近年の機械学習研究において,ハイパーパラメータの選択手法がよく研究されている。本稿では,機械学習手法に基づいてevtにおけるハイパーパラメータを選択する新しい手法を提案する。また,本手法を実世界のデータに適用し,有効利用性を示す。

関連論文リスト

Efficient Hyperparameter Importance Assessment for CNNs [1.7778609937758323]
本稿では,畳み込みニューラルネットワーク(CNN)におけるハイパーパラメータの重み付けを,N-RReliefFというアルゴリズムを用いて定量化する。我々は10の人気のある画像分類データセットから1万以上のCNNモデルをトレーニングし、広範囲にわたる研究を行う。
論文参考訳（メタデータ） (2024-10-11T15:47:46Z)
Optimization Hyper-parameter Laws for Large Language Models [56.322914260197734]
ハイパーパラメータとトレーニング結果の関係をキャプチャするフレームワークであるOps-Lawsを提案する。さまざまなモデルサイズとデータスケールにわたる検証は、Opt-Lawsのトレーニング損失を正確に予測する能力を示しています。このアプローチは、全体的なモデル性能を高めながら、計算コストを大幅に削減する。
論文参考訳（メタデータ） (2024-09-07T09:37:19Z)
ETHER: Efficient Finetuning of Large-Scale Models with Hyperplane Reflections [59.839926875976225]
本稿では,HypErplane Reflectionsによる高効率微調整を行うETHER変換ファミリを提案する。特に,既存のPEFT法と極めて少ないパラメータで一致または性能を向上するEtheRと緩和ETHER+を導入する。
論文参考訳（メタデータ） (2024-05-30T17:26:02Z)
Deep Ranking Ensembles for Hyperparameter Optimization [9.453554184019108]
本稿では,メタ学習型ニューラルネットワークが構成性能のランク付けに最適化され,アンサンブルによる不確実性をモデル化する手法を提案する。 12のベースライン、16のHPO検索スペース、86のデータセット/タスクからなる大規模実験プロトコルにおいて、本手法がHPOの新たな最先端結果を実現することを示す。
論文参考訳（メタデータ） (2023-03-27T13:52:40Z)
Quantum Machine Learning hyperparameter search [0.0]
航空会社の予測問題に関連するデータセット上で訓練されたモデルのベンチマークを評価する。提案手法は,与えられた探索空間の精度と収束速度の観点から,従来のハイパーパラメータ最適化手法より優れている。本研究は,量子ベース機械学習ハイパーパラメータ最適化における今後の研究に向けた新たな方向性を提供する。
論文参考訳（メタデータ） (2023-02-20T20:41:31Z)
MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文参考訳（メタデータ） (2022-05-31T04:57:06Z)
AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
論文参考訳（メタデータ） (2022-03-15T19:25:01Z)
To tune or not to tune? An Approach for Recommending Important Hyperparameters [2.121963121603413]
機械学習モデルの性能とハイパーパラメータの関係を構築して、トレンドを発見し、洞察を得ることを検討する。この結果から,ユーザが時間を要するチューニング戦略を実行する価値があるかどうかを判断することが可能になる。
論文参考訳（メタデータ） (2021-08-30T08:54:58Z)
HyperNP: Interactive Visual Exploration of Multidimensional Projection Hyperparameters [61.354362652006834]
HyperNPは、ニューラルネットワーク近似をトレーニングすることで、プロジェクションメソッドをリアルタイムにインタラクティブに探索できるスケーラブルな方法である。我々は3つのデータセット間でのHyperNPの性能を,性能と速度の観点から評価した。
論文参考訳（メタデータ） (2021-06-25T17:28:14Z)
Guided Hyperparameter Tuning Through Visualization and Inference [12.035299005299306]
本稿では,ディープラーニングの実践者がハイパーパラメータをより効率的に探索し,チューニングし,最適化することができる可視化システムを提案する。鍵となる考え方は、予測メカニズムを使用して、より最適なハイパーパラメータを直接提案することである。私たちはこのツールをディープラーニングモデルビルダーに関するユーザスタディで評価し、私たちの参加者はツールの採用にほとんど問題がなく、ワークフローの一部として作業しています。
論文参考訳（メタデータ） (2021-05-24T19:55:24Z)
Rethinking the Hyperparameters for Fine-tuning [78.15505286781293]
事前訓練されたImageNetモデルからの微調整は、様々なコンピュータビジョンタスクのデファクトスタンダードとなっている。ファインチューニングの現在のプラクティスは、通常、ハイパーパラメータのアドホックな選択を選択することである。本稿では、微調整のためのハイパーパラメータの設定に関するいくつかの一般的なプラクティスを再検討する。
論文参考訳（メタデータ） (2020-02-19T18:59:52Z)

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。