Fugu-MT 論文翻訳(概要): Correlation versus RMSE Loss Functions in Symbolic Regression Tasks

論文の概要: Correlation versus RMSE Loss Functions in Symbolic Regression Tasks

arxiv url: http://arxiv.org/abs/2205.15990v1
Date: Tue, 31 May 2022 17:47:50 GMT
ステータス: 処理完了
システム内更新日: 2022-06-26 14:43:50.651628
Title: Correlation versus RMSE Loss Functions in Symbolic Regression Tasks
Title（参考訳）: シンボリック回帰課題におけるRMSE損失関数の相関
Authors: Nathan Haut, Wolfgang Banzhaf, Bill Punch
Abstract要約: この性能は、典型的なRMSEフィットネス機能と比較される。適合度関数として相関を用いると、RMSEと比較してより少ない世代で解が見つかる。
参考スコア（独自算出の注目度）: 2.7685408681770247
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The use of correlation as a fitness function is explored in symbolic regression tasks and the performance is compared against the typical RMSE fitness function. Using correlation with an alignment step to conclude the evolution led to significant performance gains over RMSE as a fitness function. Using correlation as a fitness function led to solutions being found in fewer generations compared to RMSE, as well it was found that fewer data points were needed in the training set to discover the correct equations. The Feynman Symbolic Regression Benchmark as well as several other old and recent GP benchmark problems were used to evaluate performance.
Abstract（参考訳）: 適合関数としての相関の利用は、記号回帰タスクで検討され、パフォーマンスは典型的なrmse適合関数と比較される。アライメントステップとの相関を用いて進化を結論づけると、適合関数としてのRMSEよりも顕著な性能向上が得られた。適合度関数として相関を用いると、RMSEに比べて解がより少ない世代で見つかるようになり、正しい方程式を発見するためにトレーニングセットで必要となるデータポイントが少なくなることが判明した。 Feynman Symbolic Regression Benchmarkの他、GPベンチマークの古い問題や最近の問題も性能評価に使用された。

関連論文リスト

On the Performance of Empirical Risk Minimization with Smoothed Data [59.3428024282545]
経験的リスク最小化(Empirical Risk Minimization、ERM)は、クラスがiidデータで学習可能であれば、サブ線形誤差を達成できる。 We show that ERM can able to achieve sublinear error when a class are learnable with iid data。
論文参考訳（メタデータ） (2024-02-22T21:55:41Z)
Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文参考訳（メタデータ） (2023-12-30T17:05:31Z)
TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文参考訳（メタデータ） (2023-10-29T10:31:59Z)
Sensitivity Analysis of RF+clust for Leave-one-problem-out Performance Prediction [0.7046417074932257]
LOPO(Left-one-problem-out)パフォーマンス予測では、機械学習(ML)モデルを使用して、アルゴリズムのパフォーマンスを一連のトレーニング問題から、これまで見つからなかった問題に推定する。近年の研究では、テスト問題に類似したトレーニング問題に対するアルゴリズムの性能の重み付け平均による標準ランダムフォレスト(RF)性能回帰モデルの拡張が提案されている。ここでは、性能回帰のための特徴の重要性を考慮し、距離ベース重みを調整することにより、RF+クラストアプローチを拡張した。
論文参考訳（メタデータ） (2023-05-30T19:31:31Z)
Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-06T14:49:59Z)
Correlation Loss: Enforcing Correlation between Classification and Localization [18.195355848127285]
相関損失は、相関係数を直接最適化することにより、様々な物体検出器の性能を向上させる新しいプラグイン損失関数である。 Sparse R-CNNの最良のモデルは、COCOテストデブの試験時間増強なしで51.0 APに達し、最先端に到達します。
論文参考訳（メタデータ） (2023-01-03T09:36:48Z)
Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文参考訳（メタデータ） (2022-08-10T19:17:45Z)
Fine-grained Correlation Loss for Regression [20.175415393263037]
本稿では, 従来の回帰課題を再考し, 微粒化相関損失を直接最適化する手法を提案する。本手法は,画像品質評価とバイオメトリック計測を含む2つの典型的な超音波画像回帰タスクに対して広範囲に検証する。
論文参考訳（メタデータ） (2022-07-01T11:25:50Z)
Active Learning Improves Performance on Symbolic RegressionTasks in StackGP [2.7685408681770247]
StackGPを用いた記号回帰のための能動的学習手法を提案する。我々はFeynman AIベンチマークを用いて,少ないデータポイントを用いて適切なモデルを見つけるための手法の能力を検証した。
論文参考訳（メタデータ） (2022-02-09T20:05:22Z)
SymbolicGPT: A Generative Transformer Model for Symbolic Regression [3.685455441300801]
シンボル回帰のための新しいトランスフォーマーベース言語モデルであるSybolicGPTを提案する。本モデルでは,精度,実行時間,データ効率に関して,競合モデルと比較して高い性能を示す。
論文参考訳（メタデータ） (2021-06-27T03:26:35Z)
Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。回帰フリーモデル更新を制約付き最適化問題に定式化する。モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文参考訳（メタデータ） (2021-05-07T03:33:00Z)

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。