Fugu-MT 論文翻訳(概要): FOLD-TR: A Scalable and Efficient Inductive Learning Algorithm for Learning To Rank

論文の概要: FOLD-TR: A Scalable and Efficient Inductive Learning Algorithm for Learning To Rank

arxiv url: http://arxiv.org/abs/2206.07295v1
Date: Wed, 15 Jun 2022 04:46:49 GMT
ステータス: 処理完了
システム内更新日: 2022-06-17 06:08:40.652433
Title: FOLD-TR: A Scalable and Efficient Inductive Learning Algorithm for Learning To Rank
Title（参考訳）: FOLD-TR: ランク付け学習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-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。
参考スコア（独自算出の注目度）: 3.1981440103815717
License: http://creativecommons.org/licenses/by/4.0/
Abstract: FOLD-R++ is a new inductive learning algorithm for binary classification tasks. It generates an (explainable) normal logic program for mixed type (numerical and categorical) data. We present a customized FOLD-R++ algorithm with the ranking framework, called FOLD-TR, that aims to rank new items following the ranking pattern in the training data. Like FOLD-R++, the FOLD-TR algorithm is able to handle mixed-type data directly and provide native justification to explain the comparison between a pair of items.
Abstract（参考訳）: 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。混合型(数値と分類)データのための(説明可能な)正規論理プログラムを生成する。本稿では,FOLD-R++アルゴリズムを,トレーニングデータのランキングパターンに従う新しい項目のランク付けを目的としたランキングフレームワークFOLD-TRを提案する。 FOLD-R++と同様に、FOLD-TRアルゴリズムは混合型データを直接処理し、一対のアイテムの比較を説明するためのネイティブな正当化を提供する。

関連論文リスト

Contextual Dual Learning Algorithm with Listwise Distillation for Unbiased Learning to Rank [26.69630281310365]
Unbiased Learning to Rank (ULTR)は、バイアスのないユーザのフィードバック(例えばクリック)を活用して、バイアスのないランキングモデルを最適化することを目的としている。位置バイアスと文脈バイアスの両方に対処するため,CDLA-LD(Contextual Dual Learning Algorithm)を提案する。
論文参考訳（メタデータ） (2024-08-19T09:13:52Z)
RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
論文参考訳（メタデータ） (2022-11-28T13:59:31Z)
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-RM: A Scalable and Efficient Inductive Learning Algorithm for Multi-Category Classification of Mixed Data [3.1981440103815717]
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。
論文参考訳（メタデータ） (2022-02-14T18:07:54Z)
GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2022-02-01T04:19:50Z)
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文参考訳（メタデータ） (2022-01-25T00:10:03Z)
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)
A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories [4.640835690336653]
正および負の例から非単調論理プログラムを誘導するクラスタリングとデモーションに基づくアルゴリズムKmeans-FOLDを提案する。本アルゴリズムは,FOLDアルゴリズムと比較して,より簡潔な論理プログラムを生成する。 UCIデータセットの実験では、K-Meansクラスタリングと当社のデモーション戦略の組み合わせによって、複数の肯定的な例のクラスタを持つデータセットに対して、大幅な改善が達成されている。
論文参考訳（メタデータ） (2021-09-26T14:50:18Z)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
Train your classifier first: Cascade Neural Networks Training from upper layers to lower layers [54.47911829539919]
我々は,高品質な分類器を探索するアルゴリズムとして見ることのできる,新しいトップダウン学習手法を開発した。本研究では,自動音声認識(ASR)タスクと言語モデリングタスクについて検討した。提案手法は,Wall Street Journal 上でのリカレントニューラルネットワーク ASR モデル,Switchboard 上での自己注意型 ASR モデル,WikiText-2 上での AWD-LSTM 言語モデルなど,一貫して改善されている。
論文参考訳（メタデータ） (2021-02-09T08:19:49Z)
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。