論文の概要: FOLD-R++: A Toolset for Automated Inductive Learning of Default Theories from Mixed Data

• arxiv url: http://arxiv.org/abs/2110.07843v1
• Date: Fri, 15 Oct 2021 03:55:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 14:19:01.847577
• Title: FOLD-R++: A Toolset for Automated Inductive Learning of Default Theories from Mixed Data
• Title（参考訳）: FOLD-R++:混合データからデフォルト理論の帰納的学習を自動化するツールセット
• Authors: Huaduo Wang and Gopal Gupta
• Abstract要約: FOLD-Rは、(数値と分類の)混合データを除いてデフォルトルールを学習するための自動帰納学習アルゴリズムである。 本稿では,FOLD-R++と呼ばれる改良されたFOLD-Rアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.741266294612776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: FOLD-R is an automated inductive learning algorithm for learning default rules with exceptions for mixed (numerical and categorical) data. It generates an (explainable) answer set programming (ASP) rule set for classification tasks. We present an improved FOLD-R algorithm, called FOLD-R++, that significantly increases the efficiency and scalability of FOLD-R. FOLD-R++ improves upon FOLD-R without compromising or losing information in the input training data during the encoding or feature selection phase. The FOLD-R++ algorithm is competitive in performance with the widely-used XGBoost algorithm, however, unlike XGBoost, the FOLD-R++ algorithm produces an explainable model. Next, we create a powerful tool-set by combining FOLD-R++ with s(CASP)-a goal-directed ASP execution engine-to make predictions on new data samples using the answer set program generated by FOLD-R++. The s(CASP) system also produces a justification for the prediction. Experiments presented in this paper show that our improved FOLD-R++ algorithm is a significant improvement over the original design and that the s(CASP) system can make predictions in an efficient manner as well.
• Abstract（参考訳）: FOLD-Rは、(数値と分類の)混合データを除いてデフォルトルールを学習するための自動帰納学習アルゴリズムである。 分類タスク用の(説明可能な)応答セットプログラミング(ASP)ルールを生成する。 本稿では,FOLD-R++と呼ばれる改良されたFOLD-Rアルゴリズムを提案する。 FOLD-R++は、エンコーディングまたは特徴選択フェーズ中に入力トレーニングデータに情報を損なうことなく、FOLD-Rを改善する。 FOLD-R++アルゴリズムは広く使われているXGBoostアルゴリズムと競合するが、XGBoostとは異なり、FOLD-R++アルゴリズムは説明可能なモデルを生成する。 次に,FOLD-R++ と s(CASP) を併用した強力なツールセットを作成し,FOLD-R++ が生成した回答セットプログラムを用いて,新しいデータサンプルの予測を行う。 s(CASP) システムは予測の正当性も生み出す。 本稿では,改良されたFOLD-R++アルゴリズムが元の設計よりも大幅に改善され,s(CASP)システムも効率的に予測できることを示す。

関連論文リスト

• Model Reprogramming Outperforms Fine-tuning on Out-of-distribution Data in Text-Image Encoders [56.47577824219207]
  本稿では,侵入的微調整技術に関連する隠れたコストを明らかにする。 ファインチューニングのための新しいモデル再プログラミング手法を導入し、それをリプログラマと呼ぶ。 我々の経験的証拠は、Re Programmerは侵入力が少なく、より優れた下流モデルが得られることを示している。
  論文  参考訳（メタデータ） (2024-03-16T04:19:48Z)
• The Wisdom of Hindsight Makes Language Models Better Instruction Followers [84.9120606803906]
  強化学習は、人間のフィードバックによる指示に合うように、大きな言語モデルを微調整することに成功している。 そこで本稿では,本論文で提案するアプローチとして,原文を緩和することでフィードバックを指導に変換する手法と,教師付き手法によるアライメント向上のためのモデルをトレーニングする手法を提案する。 言語モデルと命令を整合させる新しいアルゴリズムであるHIR(Hindsight Instruction Relabeling)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T12:16:38Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• FOLD-SE: Scalable Explainable AI [3.1981440103815717]
  本稿では、スケーラブルな説明可能性(SE)を提供するFOLD-R++アルゴリズムであるFOLD-SEの改善について述べる。 学習ルールと学習リテラルの数は少なく、したがって人間によって理解され、分類における優れた性能を維持している。
  論文  参考訳（メタデータ） (2022-08-16T19:15:11Z)
• FOLD-TR: A Scalable and Efficient Inductive Learning Algorithm for Learning To Rank [3.1981440103815717]
  FOLD-R++はバイナリ分類タスクのための新しい帰納学習アルゴリズムである。 本稿では,FOLD-TRというランキングフレームワークを用いたFOLD-R++アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-15T04:46:49Z)
• A Hybrid Framework for Sequential Data Prediction with End-to-End Optimization [0.0]
  オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。 逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。 本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
  論文  参考訳（メタデータ） (2022-03-25T17:13:08Z)
• FOLD-RM: A Scalable and Efficient Inductive Learning Algorithm for Multi-Category Classification of Mixed Data [3.1981440103815717]
  FOLD-RMは、混合(数値と分類)データのデフォルトルールを学習するための自動帰納学習アルゴリズムである。 マルチカテゴリ分類タスクのための(説明可能な)応答セットプログラミング(ASP)ルールセットを生成する。
  論文  参考訳（メタデータ） (2022-02-14T18:07:54Z)
• A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories [4.640835690336653]
  正および負の例から非単調論理プログラムを誘導するクラスタリングとデモーションに基づくアルゴリズムKmeans-FOLDを提案する。 本アルゴリズムは,FOLDアルゴリズムと比較して,より簡潔な論理プログラムを生成する。 UCIデータセットの実験では、K-Meansクラスタリングと当社のデモーション戦略の組み合わせによって、複数の肯定的な例のクラスタを持つデータセットに対して、大幅な改善が達成されている。
  論文  参考訳（メタデータ） (2021-09-26T14:50:18Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• Discovering Reinforcement Learning Algorithms [53.72358280495428]
  強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。 本稿では,更新ルール全体を検出するメタラーニング手法を提案する。 これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
  論文  参考訳（メタデータ） (2020-07-17T07:38:39Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。