Fugu-MT 論文翻訳(概要): On the Choice of General Purpose Classifiers in Learned Bloom Filters: An Initial Analysis Within Basic Filters

論文の概要: On the Choice of General Purpose Classifiers in Learned Bloom Filters: An Initial Analysis Within Basic Filters

arxiv url: http://arxiv.org/abs/2112.06563v1
Date: Mon, 13 Dec 2021 11:15:41 GMT
ステータス: 処理完了
システム内更新日: 2021-12-14 18:55:14.388190
Title: On the Choice of General Purpose Classifiers in Learned Bloom Filters: An Initial Analysis Within Basic Filters
Title（参考訳）: 学習ブルームフィルタにおける汎用分類器の選択について:基本フィルタにおける初期解析
Authors: Giacomo Fumagalli, Davide Raimondi, Raffaele Giancarlo, Dario Malchiodi, Marco Frasca
Abstract要約: ブルームフィルタのいくつかのバージョンが検討されており、古典的なフィルタよりも有利である。それぞれが、データ構造の学習された部分である分類器を使用する。特定の分類器がどの状況で利用できるかについての体系的な研究は行われていない。
参考スコア（独自算出の注目度）: 0.41998444721319217
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Bloom Filters are a fundamental and pervasive data structure. Within the growing area of Learned Data Structures, several Learned versions of Bloom Filters have been considered, yielding advantages over classic Filters. Each of them uses a classifier, which is the Learned part of the data structure. Although it has a central role in those new filters, and its space footprint as well as classification time may affect the performance of the Learned Filter, no systematic study of which specific classifier to use in which circumstances is available. We report progress in this area here, providing also initial guidelines on which classifier to choose among five classic classification paradigms.
Abstract（参考訳）: ブルームフィルタは基本的で普及したデータ構造である。 Learned Data Structuresの領域内では、いくつかの学習されたブルームフィルタが検討されており、古典的なフィルタよりも有利である。それぞれが、データ構造の学習された部分である分類器を使用する。これらの新しいフィルタにおいて中心的な役割を持ち、その空間フットプリントと分類時間が学習フィルタの性能に影響を与える可能性があるが、どの特定の分類器がどの状況で利用できるかという体系的な研究はない。ここでは,5つの古典的分類パラダイムの中から分類器を選択するための初期ガイドラインを提供する。

関連論文リスト

Who's in and who's out? A case study of multimodal CLIP-filtering in DataComp [13.749279800238092]
画像テキストデータフィルタリングにはバイアスがあり、値レイデンであることを示す。いくつかの差し迫った人口集団に関するデータは、排除率の上昇に関連している。私たちの結論は、データセットの作成とフィルタリングのプラクティスに根本的な変更が必要であることを示している。
論文参考訳（メタデータ） (2024-05-13T21:53:06Z)
Graph-based Extreme Feature Selection for Multi-class Classification Tasks [7.863638253070439]
本研究は,多クラス分類タスクに適したグラフベースのフィルタ特徴選択手法に焦点をあてる。分類作業に有用な情報をコードするオリジナルデータのスケッチを作成するために,選択した特徴の数を劇的に削減することを目的としている。
論文参考訳（メタデータ） (2023-03-03T09:06:35Z)
Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。固体アンサンブル分類器を構築するためのプール選択戦略が提示される。我々は異常検出手法の不確実性を利用する。
論文参考訳（メタデータ） (2022-12-23T00:50:41Z)
A Critical Analysis of Classifier Selection in Learned Bloom Filters [0.3359875577705538]
フィルタ構築に使用されるデータの"複雑さ"は、そのパフォーマンスに大きく影響する可能性がある。本稿では,学習ブルームフィルタの設計,解析,実装のための新しい手法を提案する。提案手法とサポートソフトウェアは有効かつ有用であることを示す実験結果が得られた。
論文参考訳（メタデータ） (2022-11-28T17:17:18Z)
Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
論文参考訳（メタデータ） (2022-11-16T11:56:45Z)
Compressing (Multidimensional) Learned Bloom Filters [7.6058140480517356]
Bloomフィルタは、要素が基礎となる集合に含まれていないか、あるいは特定のエラー率に含まれていないかを明らかにする。ディープラーニングモデルは、このメンバシップテストの問題を解決するために使用される。学習したブルームフィルタの利点は、膨大なデータを考慮する場合にのみ明らかである。
論文参考訳（メタデータ） (2022-08-05T07:54:48Z)
Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文参考訳（メタデータ） (2021-09-20T06:07:14Z)
Sequence-Based Filtering for Visual Route-Based Navigation: Analysing the Benefits, Trade-offs and Design Choices [17.48671856442762]
ビジュアルプレース認識(VPR)の新たなトレンドは、単一フレームベースのプレースマッチング技術の上にシーケンスベースのフィルタリング方法を使用することである。本稿では,単一フレームに基づく位置マッチング手法の性能と,それらの手法上でのシーケンスベースフィルタリングの利用との関係について詳細に検討する。
論文参考訳（メタデータ） (2021-03-02T19:24:58Z)
Training Interpretable Convolutional Neural Networks by Differentiating Class-specific Filters [64.46270549587004]
畳み込みニューラルネットワーク(CNN)は、様々なタスクでうまく使われている。 CNNは、しばしば「ブラックボックス」と解釈可能性の欠如とみなされる。本稿では,クラス固有のフィルタを奨励することで,解釈可能なCNNを訓練する新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-16T09:12:26Z)
Deep Learning feature selection to unhide demographic recommender systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文参考訳（メタデータ） (2020-06-17T17:36:48Z)
Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。