論文の概要: A Unified and Fast Interpretable Model for Predictive Analytics
- arxiv url: http://arxiv.org/abs/2111.08255v1
- Date: Tue, 16 Nov 2021 06:37:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 14:57:52.856449
- Title: A Unified and Fast Interpretable Model for Predictive Analytics
- Title(参考訳): 予測分析のための統一的・高速解釈モデル
- Authors: Rui Ding, Tianchi Qiao, Yunan Zhu, Zhitao Zou, Shi Han, Dongmei Zhang
- Abstract要約: 予測分析のための統一的で高速な解釈可能なモデルFXAMを提案する。
FXAMは、三段階反復と呼ばれる新しい訓練手順を実行している。
FXAMは,学習速度や時間的特徴のモデル化において,既存のGAMよりも有意に優れていることを示す。
- 参考スコア(独自算出の注目度): 20.240972857605506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose FXAM (Fast and eXplainable Additive Model), a
unified and fast interpretable model for predictive analytics. FXAM extends
GAM's (Generalized Additive Model) modeling capability with a unified additive
model for numerical, categorical, and temporal features. FXAM conducts a novel
training procedure called Three-Stage Iteration (TSI). The three stages
correspond to learning over numerical, categorical and temporal features
respectively. Each stage learns a local optimum by fixing parameters of other
stages. We design joint learning over categorical features and partial learning
over temporal features to achieve high accuracy and training efficiency. We
prove that TSI is guaranteed to converge to global optimum. We further propose
a set of optimization techniques to speed up FXAM's training algorithm to meet
the needs of interactive analysis. Evaluations verify that FXAM significantly
outperforms existing GAMs in terms of training speed and modeling categorical
and temporal features.
- Abstract(参考訳): 本稿では,予測分析のための統一的かつ高速解釈可能なモデルであるfxam(fast and explainable additive model)を提案する。
FXAMはGAM(Generalized Additive Model)モデリング機能を拡張し、数値的、分類的、時間的特徴に統一的な加算モデルを提供する。
FXAMは、TSI(Three-Stage Iteration)と呼ばれる新しいトレーニング手順を実行している。
3つの段階はそれぞれ、数値的、カテゴリー的、時間的特徴の学習に対応する。
各ステージは、他のステージのパラメータを固定することで局所最適学習を行う。
我々は,時間的特徴のカテゴリー的特徴と部分的学習による共同学習をデザインし,高い精度と訓練効率を実現する。
TSIがグローバルな最適化に収束することが保証されていることを証明します。
さらに,対話型解析の必要性を満たすため,FXAMの学習アルゴリズムを高速化する最適化手法を提案する。
FXAMはトレーニング速度や時間的特徴をモデル化し,既存のGAMを著しく上回っている。
関連論文リスト
- Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - Towards a Prediction of Machine Learning Training Time to Support
Continuous Learning Systems Development [5.207307163958806]
我々は全文を実証研究する。
ZhengらによるFPTC(Time Complexity)アプローチ。
本稿では,ロジスティック回帰とランダムフォレスト分類のための定式化について検討する。
本研究では,本研究から,学習時間の予測が文脈とどのように密接に関連しているかを観察する。
論文 参考訳(メタデータ) (2023-09-20T11:35:03Z) - Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter
Selection in Short-Term Weather Forecasting [0.0]
本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。
平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
論文 参考訳(メタデータ) (2023-09-05T22:13:35Z) - Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。
本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。
得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
論文 参考訳(メタデータ) (2023-06-06T16:15:26Z) - Meta-Learning Fast Weight Language Models [105.66999854213724]
我々は、動的評価の利点をより効率的に提供するニューラルネットワークコンポーネントであるFWL(Fast Weight Layers)を提示する。
FWLはトレーニング時に適用でき、モデルが勾配更新をうまく活用することを学ぶ。
論文 参考訳(メタデータ) (2022-12-05T18:37:09Z) - Adapted Multimodal BERT with Layer-wise Fusion for Sentiment Analysis [84.12658971655253]
本稿では,マルチモーダルタスクのためのBERTベースのアーキテクチャであるAdapted Multimodal BERTを提案する。
アダプタはタスクの事前訓練された言語モデルを手動で調整し、融合層はタスク固有の層ワイドな音声視覚情報とテキストBERT表現を融合させる。
われわれは、このアプローチがより効率的なモデルにつながり、微調整されたモデルよりも優れ、ノイズの入力に堅牢であることを示した。
論文 参考訳(メタデータ) (2022-12-01T17:31:42Z) - Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。
木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。
3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文 参考訳(メタデータ) (2022-09-09T14:58:43Z) - 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) - AcME -- Accelerated Model-agnostic Explanations: Fast Whitening of the
Machine-Learning Black Box [1.7534486934148554]
解釈可能性のアプローチは、ユーザが待つことなく、実行可能な洞察を提供するべきです。
本稿では,グローバルレベルとローカルレベルの両方で特徴的重要性のスコアを迅速に提供する解釈可能性アプローチである,アクセレーションモデル非依存説明(AcME)を提案する。
AcMEは機能ランキングを計算しますが、機能値の変化がモデル予測にどのように影響するかを評価するために、What-if分析ツールも提供しています。
論文 参考訳(メタデータ) (2021-12-23T15:18:13Z) - A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for
Mid-Term Electric Load Forecasting [1.1602089225841632]
このモデルは指数的平滑化(ETS)、高度なLong Short-Term Memory(LSTM)とアンサンブルを組み合わせたものである。
欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
論文 参考訳(メタデータ) (2020-03-29T10:53:50Z)
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。