Fugu-MT 論文翻訳(概要): Online structural kernel selection for mobile health

論文の概要: Online structural kernel selection for mobile health

arxiv url: http://arxiv.org/abs/2107.09949v1
Date: Wed, 21 Jul 2021 08:58:53 GMT
ステータス: 処理完了
システム内更新日: 2021-07-22 20:02:00.250128
Title: Online structural kernel selection for mobile health
Title（参考訳）: モバイルヘルスのためのオンライン構造カーネル選択
Authors: Eura Shin, Pedja Klasnja, Susan Murphy, Finale Doshi-Velez
Abstract要約: 本研究の目的は,カーネル構成に関する新しい生成プロセスを提案することである。提案手法は,カーネル進化の軌跡をユーザ間で伝達して学習を改善するとともに,カーネル自体がmHealth予測目標に意味があることを実証する。
参考スコア（独自算出の注目度）: 25.88535566275659
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Motivated by the need for efficient and personalized learning in mobile health, we investigate the problem of online kernel selection for Gaussian Process regression in the multi-task setting. We propose a novel generative process on the kernel composition for this purpose. Our method demonstrates that trajectories of kernel evolutions can be transferred between users to improve learning and that the kernels themselves are meaningful for an mHealth prediction goal.
Abstract（参考訳）: モバイルヘルスにおける効率的でパーソナライズされた学習の必要性から,マルチタスク環境におけるガウス過程回帰のオンラインカーネル選択の問題を検討した。この目的のために,カーネル構成に関する新しい生成過程を提案する。本手法は,カーネル進化の軌跡をユーザ間で伝達して学習を改善するとともに,カーネル自体がmHealth予測目標に意味があることを実証する。

関連論文リスト

Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文参考訳（メタデータ） (2024-06-13T05:49:29Z)
An Online Multiple Kernel Parallelizable Learning Scheme [6.436174170552483]
本稿では,カーネル選択バイアスを低減するために,複数の単一カーネルベースのオンライン手法を巧みに組み合わせた学習手法を提案する。提案手法は、正規化された経験的リスク最小化凸問題として定式化されたタスクに適用される。
論文参考訳（メタデータ） (2023-08-19T20:15:02Z)
Learning Dynamical Systems from Data: A Simple Cross-Validation Perspective, Part V: Sparse Kernel Flows for 132 Chaotic Dynamical Systems [5.124035247669094]
本稿では,カーネルの大きな辞書から始めることで,最良カーネルを学習するために,emphSparse Kernel Flows法を提案する。このアプローチをカオスシステム132のライブラリに適用する。
論文参考訳（メタデータ） (2023-01-24T21:47:33Z)
Transfer Learning with Kernel Methods [7.4566384906383]
本稿では,ソースモデルをターゲットタスクに投影・翻訳することで,カーネルメソッドの転送学習フレームワークを提案する。大規模な画像データセットでトレーニングされた現代のカーネルの転送により、性能が大幅に向上することを示した。また, 癌細胞株に対する薬剤の効果を, より正確に予測できることが示唆された。
論文参考訳（メタデータ） (2022-11-01T02:32:17Z)
Variational Autoencoder Kernel Interpretation and Selection for Classification [59.30734371401315]
本研究では,変分オートエンコーダの畳み込みエンコーダによって生成された特徴に基づく確率的分類器のカーネル選択手法を提案する。提案した実装では、各カーネルに対して各分散が生成されるため、各潜伏変数を最終エンコーダの畳み込み層の単一カーネルに関連付けられた分布からサンプリングした。サンプル化された潜伏変数で関連する機能を選択することで、カーネルの選択を実行し、非形式的機能とカーネルをフィルタリングすることができる。
論文参考訳（メタデータ） (2022-09-10T17:22:53Z)
A Framework and Benchmark for Deep Batch Active Learning for Regression [2.093287944284448]
ラベル付きデータのバッチを適応的に選択する能動的学習法について検討した。本稿では,ネットワークに依存した)ベースカーネル,カーネル変換,選択メソッドからそのようなメソッドを構築するためのフレームワークを提案する。提案手法は,我々のベンチマークの最先端性,大規模データセットへのスケール,ネットワークアーキテクチャやトレーニングコードを調整することなく,アウト・オブ・ボックスで動作する。
論文参考訳（メタデータ） (2022-03-17T16:11:36Z)
Generative Kernel Continual learning [117.79080100313722]
本稿では、生成モデルとカーネル間の相乗効果を利用して連続学習を行う、生成カーネル連続学習を紹介する。生成モデルは、カーネル学習のための代表サンプルを生成することができ、カーネル連続学習におけるメモリ依存を取り除くことができる。コントリビューションの能力とメリットを示すために,広く利用されている3つの連続学習ベンチマークについて広範な実験を行った。
論文参考訳（メタデータ） (2021-12-26T16:02:10Z)
Kernel Continual Learning [117.79080100313722]
カーネル連続学習は、破滅的な忘れ事に取り組むための、シンプルだが効果的な連続学習の変種である。エピソードメモリユニットは、カーネルリッジ回帰に基づいてタスク固有の分類器を学ぶために、各タスクのサンプルのサブセットを格納する。タスク毎にデータ駆動カーネルを学ぶための変動ランダム機能。
論文参考訳（メタデータ） (2021-07-12T22:09:30Z)
Kernel Identification Through Transformers [54.3795894579111]
カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。 KITT: Kernel Identification through Transformersを提案する。
論文参考訳（メタデータ） (2021-06-15T14:32:38Z)
Learning to Learn Kernels with Variational Random Features [118.09565227041844]
メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
論文参考訳（メタデータ） (2020-06-11T18:05:29Z)

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。