論文の概要: Evolutionary Multitasking AUC Optimization

• arxiv url: http://arxiv.org/abs/2201.01145v1
• Date: Tue, 4 Jan 2022 14:14:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-05 14:15:04.379475
• Title: Evolutionary Multitasking AUC Optimization
• Title（参考訳）: 進化的マルチタスクAUC最適化
• Authors: Chao Wang, Kai Wu, Jing Liu
• Abstract要約: 本稿では,構築した安価で高価なタスクの情報をフル活用して高い性能を得るための進化的EMT(termed EMT)を開発する。 提案手法の性能をバイナリ分類データセットで評価する。
• 参考スコア（独自算出の注目度）: 10.279426529746667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to optimize the area under the receiver operating characteristics curve (AUC) performance for imbalanced data has attracted much attention in recent years. Although there have been several methods of AUC optimization, scaling up AUC optimization is still an open issue due to its pairwise learning style. Maximizing AUC in the large-scale dataset can be considered as a non-convex and expensive problem. Inspired by the characteristic of pairwise learning, the cheap AUC optimization task with a small-scale dataset sampled from the large-scale dataset is constructed to promote the AUC accuracy of the original, large-scale, and expensive AUC optimization task. This paper develops an evolutionary multitasking framework (termed EMTAUC) to make full use of information among the constructed cheap and expensive tasks to obtain higher performance. In EMTAUC, one mission is to optimize AUC from the sampled dataset, and the other is to maximize AUC from the original dataset. Moreover, due to the cheap task containing limited knowledge, a strategy for dynamically adjusting the data structure of inexpensive tasks is proposed to introduce more knowledge into the multitasking AUC optimization environment. The performance of the proposed method is evaluated on a series of binary classification datasets. The experimental results demonstrate that EMTAUC is highly competitive to single task methods and online methods. Supplementary materials and source code implementation of EMTAUC can be accessed at https://github.com/xiaofangxd/EMTAUC.
• Abstract（参考訳）: 近年,不均衡データに対する受信動作特性曲線(AUC)に基づく領域最適化の学習が注目されている。 AUC最適化の方法はいくつかあるが、ペアの学習スタイルのため、AUC最適化のスケールアップはまだ未解決である。 大規模データセットにおけるAUCの最大化は、非凸かつ高価な問題とみなすことができる。 ペアワイズ学習の特徴に着想を得て,大規模データセットからサンプル化した小型データセットを用いた安価なAUC最適化タスクを構築し,AUCの原型で大規模で高価な最適化タスクのAUC精度を向上させる。 本稿では,構築した安価で高価なタスクの情報をフル活用して高い性能を得るための進化的マルチタスク・フレームワーク(EMTAUC)を開発する。 EMTAUCでは、サンプルデータセットからAUCを最適化するミッションと、元のデータセットからAUCを最大化するミッションがある。 さらに、知識の少ない安価なタスクにより、低コストタスクのデータ構造を動的に調整する戦略を提案し、マルチタスクauc最適化環境にさらなる知識を導入する。 提案手法の性能は, 一連のバイナリ分類データセットを用いて評価した。 実験の結果,emtaucは単一タスクメソッドやオンラインメソッドと高い競合性を示す。 EMTAUCの補助資料とソースコードの実装はhttps://github.com/xiaofangxd/EMTAUCでアクセスできる。

関連論文リスト

• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• AUCSeg: AUC-oriented Pixel-level Long-tail Semantic Segmentation [88.50256898176269]
  画素レベルのAUC損失関数を開発し,アルゴリズムの一般化能力に関する依存性グラフに基づく理論的解析を行う。 また、重要なメモリ需要を管理するために、Tail-Classes Memory Bankを設計する。
  論文  参考訳（メタデータ） (2024-09-30T15:31:02Z)
• DRAUC: An Instance-wise Distributionally Robust AUC Optimization Framework [133.26230331320963]
  ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。 本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-11-06T12:15:57Z)
• A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting Multiple Access [53.191806757701215]
  本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。 コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。 数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-07-17T20:31:41Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• AUC Optimization from Multiple Unlabeled Datasets [14.318887072787938]
  U$m$-AUCは、U$m$データを多ラベルAUC最適化問題に変換するAUC最適化手法である。 提案したU$m$-AUCは理論的および実験的に有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-25T06:43:42Z)
• Balanced Self-Paced Learning for AUC Maximization [88.53174245457268]
  既存のセルフパッチ方式は、ポイントワイズAUCに限られている。 我々のアルゴリズムは閉形式解に基づいて定常点に収束する。
  論文  参考訳（メタデータ） (2022-07-08T02:09:32Z)
• Online AUC Optimization for Sparse High-Dimensional Datasets [32.77252579365118]
  エリア・アンダー・オブ・ザ・ROC曲線(AUC)は、不均衡な分類のための広く使われている性能指標である。 現在のオンラインAUC最適化アルゴリズムは、イテレーションあたりのコストが$mathcalO(d)$である。 本稿では,新しいアルゴリズムである textscFTRL-AUC を提案する。
  論文  参考訳（メタデータ） (2020-09-23T00:50:01Z)

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。