Fugu-MT 論文翻訳(概要): A Supervised Learning Approach to Rankability

論文の概要: A Supervised Learning Approach to Rankability

arxiv url: http://arxiv.org/abs/2203.07364v1
Date: Mon, 14 Mar 2022 17:55:43 GMT
ステータス: 処理完了
システム内更新日: 2022-03-15 14:35:46.692035
Title: A Supervised Learning Approach to Rankability
Title（参考訳）: ランクビリティに対する教師付き学習アプローチ
Authors: Nathan McJames, David Malone, Oliver Mason
Abstract要約: データランキングビリティは、グラフとして表現されたデータセットが、そのデータに含まれる項目の有意義なランキングを生成する能力を考える問題である。そこで本稿では,効率的な評価が可能なランキング評価手法を提案する。
参考スコア（独自算出の注目度）: 0.6015898117103067
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The rankability of data is a recently proposed problem that considers the ability of a dataset, represented as a graph, to produce a meaningful ranking of the items it contains. To study this concept, a number of rankability measures have recently been proposed, based on comparisons to a complete dominance graph via combinatorial and linear algebraic methods. In this paper, we review these measures and highlight some questions to which they give rise before going on to propose new methods to assess rankability, which are amenable to efficient estimation. Finally, we compare these measures by applying them to both synthetic and real-life sports data.
Abstract（参考訳）: データのランキングビリティは、グラフとして表されるデータセットが、それに含まれる項目の有意義なランキングを生成する能力を考える、最近提案された問題である。この概念を研究するために、組合せ的および線形代数的手法による完全支配グラフとの比較に基づいて、最近多くのランク可能性尺度が提案されている。本稿では,これらの対策を概観し,評価の効率化に資する新しい手法を提案する前に,それらが提起する課題をいくつか取り上げる。最後に,これらを総合的および実生活のスポーツデータに適用して比較する。

関連論文リスト

Baseline Results for Selected Nonlinear System Identification Benchmarks [2.144088660722956]
本稿では,5つのベンチマークにおいて,10種類のベースライン手法とその相対的性能について述べる。本研究の目的は,識別手法の客観的比較に関する思考と議論を刺激することである。
論文参考訳（メタデータ） (2024-05-17T13:40:59Z)
End-to-End Graph-Sequential Representation Learning for Accurate Recommendations [0.7673339435080445]
本稿では,これら2つのパラダイムの相乗効果を利用した新しい多表現学習フレームワークを提案する。いくつかのデータセットに対する実験的な評価から,提案フレームワークによる逐次的およびグラフ的コンポーネントの相互学習が推奨性能を大幅に向上させることが示された。
論文参考訳（メタデータ） (2024-03-01T15:32:44Z)
Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。これらの手法間の関係を解析し,その強みと限界を比較する。
論文参考訳（メタデータ） (2024-02-02T14:32:42Z)
Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
論文参考訳（メタデータ） (2023-06-18T01:58:59Z)
Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文参考訳（メタデータ） (2023-04-21T15:22:33Z)
Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
論文参考訳（メタデータ） (2022-03-27T04:11:28Z)
A Unified Framework for Rank-based Evaluation Metrics for Link Prediction in Knowledge Graphs [19.822126244784133]
負の負の3倍数を持たない知識グラフ上のリンク予測タスクは、ランクベースのメトリクスの使用を動機付けている。本稿では,既存の測度を改善するための2つの方法について,代替アグリゲーション関数と確率論の概念を用いて検討する。本稿では,知識グラフ埋め込みモデルのベンチマークにおいて,その使用例を示すとともに,より容易に解釈・比較できる新しいランクベースの指標を提案する。
論文参考訳（メタデータ） (2022-03-14T23:09:46Z)
On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文参考訳（メタデータ） (2022-02-25T13:47:09Z)
Methods of ranking for aggregated fuzzy numbers from interval-valued data [0.0]
本論文は, 時間間隔から集約ファジィ数をランク付けする2つの手法を, Interval Agreement Approach (IAA) を用いて提案する。提案手法の改良とともに, 従来手法の欠点を, 合成・実世界の両面から示す。
論文参考訳（メタデータ） (2020-12-03T02:56:15Z)
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。