論文の概要: Learning MR-Sort Models from Non-Monotone Data
- arxiv url: http://arxiv.org/abs/2107.09668v1
- Date: Tue, 20 Jul 2021 13:51:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:09:59.639051
- Title: Learning MR-Sort Models from Non-Monotone Data
- Title(参考訳): 非単調データからmrソートモデルを学ぶ
- Authors: Pegdwende Minoungou, Vincent Mousseau, Wassila Ouerdane, Paolo Scotton
- Abstract要約: Inv-MR-Sort問題(Inv-MR-Sort)は、データセットに一致するMR-Sortパラメータを計算する。
本稿では,トレーニングデータから,他のMR-Sortパラメータとともに,基準の好みを学習する混合整数プログラミングに基づくアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 3.509841703841321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Majority Rule Sorting (MR-Sort) method assigns alternatives evaluated on
multiple criteria to one of the predefined ordered categories. The Inverse
MR-Sort problem (Inv-MR-Sort) computes MR-Sort parameters that match a dataset.
Existing learning algorithms for Inv-MR-Sort consider monotone preferences on
criteria. We extend this problem to the case where the preferences on criteria
are not necessarily monotone, but possibly single-peaked (or single-valley). We
propose a mixed-integer programming based algorithm that learns the preferences
on criteria together with the other MR-Sort parameters from the training data.
We investigate the performance of the algorithm using numerical experiments and
we illustrate its use on a real-world case study.
- Abstract(参考訳): メジャールールソーティング(Majority Rule Sorting、MR-Sort)法は、複数の基準で評価された選択肢を事前定義された順序カテゴリーの1つに割り当てる。
Inv-MR-Sort問題(Inv-MR-Sort)は、データセットに一致するMR-Sortパラメータを計算する。
Inv-MR-Sortの既存の学習アルゴリズムは、基準に基づいて単調な選好を考える。
この問題を、基準に対する選好が必ずしも単調ではなく、おそらくは単音(または単音)である場合に拡張する。
本稿では,学習データから他のmrソートパラメータと条件の選好を学習する混合整数型プログラミングベースアルゴリズムを提案する。
数値実験を用いてアルゴリズムの性能について検討し,実世界のケーススタディでその利用について述べる。
関連論文リスト
- Sorting with Predictions [1.7042264000899532]
学習強化アルゴリズムのレンズをソートする根本的な問題について検討する。
我々は,$O(sum_i log eta_i)$の正確な比較だけで,新しい,シンプルなアルゴリズムを設計する。
比較複雑性は, 検証された誤差測度に対して理論的に最適であることを示す。
論文 参考訳(メタデータ) (2023-11-01T18:00:03Z) - Replace Scoring with Arrangement: A Contextual Set-to-Arrangement
Framework for Learning-to-Rank [40.81502990315285]
ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。
既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。
本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
論文 参考訳(メタデータ) (2023-08-05T12:22:26Z) - LearnedSort as a learning-augmented SampleSort: Analysis and
Parallelization [0.0]
この研究は、累積分布関数に基づいて機械学習モデルを使ってソートする新しいアルゴリズムであるLearnedSortを分析し、並列化する。
LearnedSortと最先端のSampleSort実装であるIPS4oを組み合わせた並列LearnedSortアルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-07-17T16:53:22Z) - A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive
Noise Models [49.038420266408586]
分散の増加による変数のソートは、しばしば因果順序に近い順序になることを示す。
本稿ではR2$-SortnRegressと呼ばれる,高いR2$-sortabilityを利用する効率的なベースラインアルゴリズムを提案する。
その結果,因果発見に関連するデータ生成プロセスの仮定として,R2$-sortabilityが高額であることが判明した。
論文 参考訳(メタデータ) (2023-03-31T17:05:46Z) - Monotonic Differentiable Sorting Networks [29.75063301688965]
異なるソートアルゴリズムは、サンプルの順序付けやランク付けが知られている場合にのみ、ソートとランキング管理によるトレーニングを可能にする。
現在の微分可能なソート法の一つの問題は、それらが単調でないことである。
本稿では,異なるソートネットワークにおける単調性を保証する条件スワップ操作の緩和を提案する。
論文 参考訳(メタデータ) (2022-03-17T21:51:29Z) - Beware of the Simulated DAG! Varsortability in Additive Noise Models [70.54639814319096]
合成データにおける連続構造学習アルゴリズムの性能は,バラエティが如何に支配されているかを示す。
模擬添加ノイズモデルではバラツキが起こりやすいという認識を高めることを目指しています。
論文 参考訳(メタデータ) (2021-02-26T18:52:27Z) - Cost-sensitive Hierarchical Clustering for Dynamic Classifier Selection [3.42658286826597]
コストに敏感な階層的クラスタリングと呼ばれる汎用アルゴリズム選択法が動的分類器選択に適しているか検討する。
実験の結果,修正cshcアルゴリズムは好適に比較できた。
論文 参考訳(メタデータ) (2020-12-14T18:44:51Z) - PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。
ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文 参考訳(メタデータ) (2020-12-12T05:07:36Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳(メタデータ) (2020-02-21T17:45:32Z) - Clustering Binary Data by Application of Combinatorial Optimization
Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。
近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。
準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文 参考訳(メタデータ) (2020-01-06T23:33:31Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2019-10-14T09:18:26Z)
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。