論文の概要: Moving Window Regression: A Novel Approach to Ordinal Regression

• arxiv url: http://arxiv.org/abs/2203.13122v1
• Date: Thu, 24 Mar 2022 15:30:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 14:29:48.933884
• Title: Moving Window Regression: A Novel Approach to Ordinal Regression
• Title（参考訳）: 移動ウィンドウ回帰: 正規回帰に対する新しいアプローチ
• Authors: Nyeong-Ho Shin, Seon-Ho Lee, Chang-Su Kim
• Abstract要約: 本稿では、入力および参照インスタンスの新しい順序表現スキームである相対ランク(rho$-rank)の概念を提案する。 グローバルおよびローカルな相対回帰器(rho$-regressors)は、全体および特定のランク範囲内で$rho$-ranksを予測するために開発されている。 提案アルゴリズムは,顔の年齢推定と過去のカラー画像分類のための様々なベンチマークデータセット上で,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 39.70492757288026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A novel ordinal regression algorithm, called moving window regression (MWR), is proposed in this paper. First, we propose the notion of relative rank ($\rho$-rank), which is a new order representation scheme for input and reference instances. Second, we develop global and local relative regressors ($\rho$-regressors) to predict $\rho$-ranks within entire and specific rank ranges, respectively. Third, we refine an initial rank estimate iteratively by selecting two reference instances to form a search window and then estimating the $\rho$-rank within the window. Extensive experiments results show that the proposed algorithm achieves the state-of-the-art performances on various benchmark datasets for facial age estimation and historical color image classification. The codes are available at https://github.com/nhshin-mcl/MWR.
• Abstract（参考訳）: 本稿では,移動窓回帰 (move window regression, mwr) と呼ばれる新しい順序回帰アルゴリズムを提案する。 まず、入力および参照インスタンスに対する新しい順序表現スキームである相対ランク(\rho$-rank)の概念を提案する。 第2に、グローバルおよびローカルな相対回帰器($\rho$-regressors)を開発し、各ランクの範囲内で、それぞれ$\rho$-ranksを予測する。 第3に,検索ウィンドウを構成する2つの参照インスタンスを選択し,ウィンドウ内の$\rho$-rankを推定することで,最初のランク推定を反復的に洗練する。 実験結果から,提案アルゴリズムは顔の年齢推定や歴史的色彩画像分類のための様々なベンチマークデータセット上で,最先端の性能を実現することが示された。 コードはhttps://github.com/nhshin-mcl/mwrで入手できる。

関連論文リスト

• Model-free Low-Rank Reinforcement Learning via Leveraged Entry-wise Matrix Estimation [48.92318828548911]
  政策改善と政策評価の段階を交互に行うモデルフリー学習アルゴリズムであるLoRa-PI(Low-Rank Policy Iteration)を提案する。 LoRa-PIは$widetildeO(S+Aover mathrmpoly (1-gamma)varepsilon2)$サンプルを使用して$varepsilon$-optimal Policyを学習する。
  論文  参考訳（メタデータ） (2024-10-30T20:22:17Z)
• RankUp: Boosting Semi-Supervised Regression with an Auxiliary Ranking Classifier [21.37308028303897]
  最新技術(SOTA)の半教師付き学習技術であるFixMatchやその変種は、分類タスクにおいて印象的なパフォーマンスを示している。 本稿では,既存の半教師付き分類手法を応用し,回帰タスクの性能を向上させるための簡易かつ効果的なアプローチであるRangeUpを提案する。
  論文  参考訳（メタデータ） (2024-10-29T15:25:21Z)
• LoRANN: Low-Rank Matrix Factorization for Approximate Nearest Neighbor Search [4.194768796374315]
  本稿では,内積近似が多出力回帰問題であることを示す観測に基づく新しい教師付きスコア計算法を提案する。 実験の結果,提案手法はクエリ待ち時間とメモリ使用量の両方においてPQよりも優れていることがわかった。 また,クラスタリングに基づくANNライブラリであるLoRANNを導入する。
  論文  参考訳（メタデータ） (2024-10-24T17:13:39Z)
• $R^{2}$Former: Unified $R$etrieval and $R$eranking Transformer for Place Recognition [92.56937383283397]
  検索と再ランクの両方を扱う統合された場所認識フレームワークを提案する。 提案モジュールは特徴相関,注目値,xy座標を考慮に入れている。 R2$Formerは、主要なVPRデータセットの最先端メソッドを著しく上回る。
  論文  参考訳（メタデータ） (2023-04-06T23:19:32Z)
• Deletion and Insertion Tests in Regression Models [1.2891210250935148]
  説明可能なAI(XAI)の基本課題は、ブラックボックス関数$f$による予測の背後にある最も重要な特徴を特定することである。 Petsiuk et al. Kernel の挿入と削除テストは、分類においてピクセルを最も重要視するアルゴリズムの品質を判断するために用いられる。
  論文  参考訳（メタデータ） (2022-05-25T00:55:47Z)
• THOR: Threshold-Based Ranking Loss for Ordinal Regression [17.384197085002686]
  本稿では,インスタンスを順序カテゴリーに分類するための回帰に基づく順序回帰アルゴリズムを提案する。 回帰誤差を最小化することを目的とした新しいしきい値に基づくペアワイズ損失関数を追加し,平均絶対誤差(MAE)を最小化する。 5つの実世界のベンチマーク実験の結果、提案アルゴリズムは最先端の順序回帰アルゴリズムと比較して最良のMAE結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-05-10T13:04:09Z)
• Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
  以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。 具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。 提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:12:00Z)
• Planning and Learning with Adaptive Lookahead [74.39132848733847]
  ポリシーイテレーション(PI)アルゴリズムは、欲求の一段階の改善と政策評価を交互に行う。 近年の文献では、複数段階のルックアヘッドポリシーの改善が、イテレーション毎の複雑さの増加を犠牲にして、よりコンバージェンス率の向上につながることが示されている。 本研究では,多段階の地平線を状態と推定値の関数として動的に適応する手法を初めて提案する。
  論文  参考訳（メタデータ） (2022-01-28T20:26:55Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)

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。