Fugu-MT 論文翻訳(概要): FOLD-RM: A Scalable and Efficient Inductive Learning Algorithm for Multi-Category Classification of Mixed Data

論文の概要: FOLD-RM: A Scalable and Efficient Inductive Learning Algorithm for Multi-Category Classification of Mixed Data

arxiv url: http://arxiv.org/abs/2202.06913v1
Date: Mon, 14 Feb 2022 18:07:54 GMT
ステータス: 処理完了
システム内更新日: 2022-02-15 17:08:54.324898
Title: FOLD-RM: A Scalable and Efficient Inductive Learning Algorithm for Multi-Category Classification of Mixed Data
Title（参考訳）: FOLD-RM:混合データの多カテゴリ分類のためのスケーラブルで効率的な帰納学習アルゴリズム
Authors: Huaduo Wang and Gopal Gupta
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.1981440103815717
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: FOLD-RM is an automated inductive learning algorithm for learning default rules for mixed (numerical and categorical) data. It generates an (explainable) answer set programming (ASP) rule set for multi-category classification tasks while maintaining efficiency and scalability. The FOLD-RM algorithm is competitive in performance with the widely-used XGBoost algorithm, however, unlike XGBoost, the FOLD-RM algorithm produces an explainable model. FOLD-RM outperforms XGBoost on some datasets, particularly large ones. FOLD-RM also provides human-friendly explanations for predictions.
Abstract（参考訳）: 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。効率性とスケーラビリティを維持しつつ、多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)ルールを生成する。 FOLD-RM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-RMアルゴリズムは説明可能なモデルを生成する。 FOLD-RMはいくつかのデータセット、特に大きなデータセットでXGBoostを上回っている。 FOLD-RMは、予測のための人間フレンドリーな説明も提供する。

関連論文リスト

DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2025-02-18T02:37:26Z)
From Point to probabilistic gradient boosting for claim frequency and severity prediction [1.3812010983144802]
我々は、決定木アルゴリズムの既存の点と確率的勾配を全て向上させる統一的な表記法と対照的に提示する。クレーム頻度と重大度を5つの公開データセットで比較した。
論文参考訳（メタデータ） (2024-12-19T14:50:10Z)
How to Make LLMs Strong Node Classifiers? [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文参考訳（メタデータ） (2024-10-03T08:27:54Z)
A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
論文参考訳（メタデータ） (2024-02-06T15:45:27Z)
GBM-based Bregman Proximal Algorithms for Constrained Learning [3.667453772837954]
我々はBregman近位アルゴリズムのフレームワーク内で制約付き学習タスクにGBMを適用する。本稿では,学習対象関数が凸である場合に,大域的最適性を保証する新しいブレグマン法を提案する。本稿では,Bregmanアルゴリズムフレームワークの有効性を示すための実験的な証拠を提供する。
論文参考訳（メタデータ） (2023-08-21T14:56:51Z)
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)
FOLD-R++: A Toolset for Automated Inductive Learning of Default Theories from Mixed Data [2.741266294612776]
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。
論文参考訳（メタデータ） (2021-10-15T03:55:13Z)
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)
Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文参考訳（メタデータ） (2021-01-08T18:55:07Z)
Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文参考訳（メタデータ） (2020-05-06T01:51:30Z)

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。