論文の概要: Cooperative learning for multi-view analysis
- arxiv url: http://arxiv.org/abs/2112.12337v1
- Date: Thu, 23 Dec 2021 03:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:27:56.729762
- Title: Cooperative learning for multi-view analysis
- Title(参考訳): 複数視点分析のための協調学習
- Authors: Daisy Yi Ding, Robert Tibshirani
- Abstract要約: 複数機能セットを用いた教師あり学習手法(ビュー)を提案する。
協調学習は、予測の通常の正方形エラー損失と、異なるデータビューからの予測に同意するよう奨励する"集積"ペナルティを組み合わせる。
シミュレーションおよび実データ例における提案手法の有効性について述べる。
- 参考スコア(独自算出の注目度): 2.368995563245609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new method for supervised learning with multiple sets of
features ("views"). Cooperative learning combines the usual squared error loss
of predictions with an "agreement" penalty to encourage the predictions from
different data views to agree. By varying the weight of the agreement penalty,
we get a continuum of solutions that include the well-known early and late
fusion approaches. Cooperative learning chooses the degree of agreement (or
fusion) in an adaptive manner, using a validation set or cross-validation to
estimate test set prediction error. One version of our fitting procedure is
modular, where one can choose different fitting mechanisms (e.g. lasso, random
forests, boosting, neural networks) appropriate for different data views. In
the setting of cooperative regularized linear regression, the method combines
the lasso penalty with the agreement penalty. The method can be especially
powerful when the different data views share some underlying relationship in
their signals that we aim to strengthen, while each view has its idiosyncratic
noise that we aim to reduce. We illustrate the effectiveness of our proposed
method on simulated and real data examples.
- Abstract(参考訳): 本研究では,複数の特徴集合(ビュー)を用いた教師付き学習手法を提案する。
協調学習は、予測の通常の正方形エラー損失と、異なるデータビューからの予測に同意するよう奨励する"集積"ペナルティを組み合わせる。
合意のペナルティの重みを変えることで、よく知られた早期および後期の融合アプローチを含むソリューションの連続体が得られる。
協調学習は、検証セットまたはクロスバリデーションを使用して、テストセット予測エラーを推定するために、適応的な方法で一致度(あるいは融合度)を選択する。
私たちの適合手順の1つのバージョンはモジュラーで、異なるデータビューに適した異なる適合メカニズム(例えば、ラッソ、ランダムフォレスト、ブースティング、ニューラルネットワーク)を選択できます。
協調正規化線形回帰の設定では、ラッソペナルティと合意ペナルティを組み合わせる。
この方法は、異なるデータビューが私たちが強化しようとしている信号の基盤となる関係を共有している場合、特に強力である。
シミュレーションおよび実データ例における提案手法の有効性について述べる。
関連論文リスト
- On the Out-of-Distribution Coverage of Combining Split Conformal
Prediction and Bayesian Deep Learning [1.131316248570352]
ベイジアンディープラーニングと分割共形予測の組み合わせと,この組み合わせが分布外カバレッジにどのように影響するかに着目した。
以上の結果から,ベイズ的深層学習モデルと分割共形予測を組み合わせれば,アウト・オブ・ディストリビューション(out-of-distriion)のカバレッジを減少させるなどの意図しない結果が生じる可能性が示唆された。
論文 参考訳(メタデータ) (2023-11-21T15:50:37Z) - Negotiated Representations for Machine Mearning Application [0.0]
オーバーフィッティング(Overfitting)は、機械学習モデルが長時間トレーニングされ、提供されたトレーニングラベルに対するトレーニングサンプルの正確な適合度に過度にフォーカスされた場合に発生する現象である。
本稿では,事前に決定されたクラスラベルを用いて,サンプルの出力表現を交渉可能にすることによって,機械学習モデルの分類精度を高める手法を提案する。
論文 参考訳(メタデータ) (2023-11-19T19:53:49Z) - Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。
我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
論文 参考訳(メタデータ) (2023-08-10T08:43:20Z) - Contrastive Multi-view Framework for Customer Lifetime Value Prediction [48.24479287526052]
既存のLTV予測手法の多くは、消費サンプルに基づいてシングルビューのLTV予測器を直接訓練する。
様々なバックボーンモデルと互換性のあるプラグ・アンド・プレイソリューションであるLTV予測のための対照的なマルチビューフレームワークを提案する。
実世界のLTV予測データセットについて広範な実験を行い,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-06-26T03:23:53Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳(メタデータ) (2022-04-05T12:52:45Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳(メタデータ) (2020-10-15T16:07:26Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2020-04-20T02:47:49Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳(メタデータ) (2020-04-14T06:18:50Z)
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。