Fugu-MT 論文翻訳(概要): Binary and Multinomial Classification through Evolutionary Symbolic Regression

論文の概要: Binary and Multinomial Classification through Evolutionary Symbolic Regression

arxiv url: http://arxiv.org/abs/2206.12706v1
Date: Sat, 25 Jun 2022 18:38:40 GMT
ステータス: 処理完了
システム内更新日: 2022-06-28 12:49:19.106518
Title: Binary and Multinomial Classification through Evolutionary Symbolic Regression
Title（参考訳）: 進化的記号回帰による二項・多項分類
Authors: Moshe Sipper
Abstract要約: GPClf, CartesianClf, ClaSyCoの3つの進化的シンボリック回帰に基づく二項および多項データセットの分類アルゴリズムを提案する。 162以上のデータセットをテストし、XGBoost、LightGBM、ディープニューラルネットワークという最先端の3つの機械学習アルゴリズムと比較して、私たちのアルゴリズムは競争力があると考えています。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present three evolutionary symbolic regression-based classification algorithms for binary and multinomial datasets: GPLearnClf, CartesianClf, and ClaSyCo. Tested over 162 datasets and compared to three state-of-the-art machine learning algorithms -- XGBoost, LightGBM, and a deep neural network -- we find our algorithms to be competitive. Further, we demonstrate how to find the best method for one's dataset automatically, through the use of a state-of-the-art hyperparameter optimizer.
Abstract（参考訳）: 本稿では,二項および多項データセットに対する3つの進化的シンボリック回帰に基づく分類アルゴリズム,GPLearnClf,CartesianClf,ClaSyCoを提案する。 162以上のデータセットをテストし、最先端の3つの機械学習アルゴリズム(xgboost、lightgbm、ディープニューラルネットワーク)と比較すると、我々のアルゴリズムは競争力があると思います。さらに,最先端のハイパーパラメータオプティマイザを用いて,データセットの最適な方法を自動的に見つける方法を示す。

関連論文リスト

Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Class Binarization to NeuroEvolution for Multiclass Classification [9.179400849826216]
マルチクラス分類は、機械学習における基本的で挑戦的なタスクである。多クラス分類をバイナリ分類の集合に分解することは、クラスバイナライゼーション(class binarization)と呼ばれる。マルチクラス分類のための神経進化のクラスバイナライズ戦略を設計するために,誤り訂正出力符号(ECOC)を適用した新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-26T13:26:13Z)
Continuous Cartesian Genetic Programming based representation for Multi-Objective Neural Architecture Search [12.545742558041583]
我々は、より複雑で高効率な畳み込みニューラルネットワーク(CNN)を設計するための新しいアプローチを提案する。我々のアプローチは、ニューラルネットワーク探索(NAS)のためのカルテシアン遺伝的プログラミング(CGP)に基づく実ベースCNNとブロックチェーンCNNの表現を組み合わせたものである。それらが考慮する探索空間の粒度が異なる2つの変種が導入された。
論文参考訳（メタデータ） (2023-06-05T07:32:47Z)
HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文参考訳（メタデータ） (2023-04-23T17:27:40Z)
An algorithmic framework for the optimization of deep neural networks architectures and hyperparameters [0.23301643766310373]
本稿では,効率的なディープニューラルネットワークを自動生成するアルゴリズムフレームワークを提案する。このフレームワークは、進化的有向非巡回グラフ(DAG)に基づいている。畳み込み(convolutions)、再帰(recurrentence)、密集層( dense layer)といった古典的な操作の混合を可能にするだけでなく、自己注意(self-attention)のようなより新しい操作も可能である。
論文参考訳（メタデータ） (2023-02-27T08:00:33Z)
Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文参考訳（メタデータ） (2021-10-19T14:24:50Z)
Overhead-MNIST: Machine Learning Baselines for Image Classification [0.0]
23の機械学習アルゴリズムをトレーニングし、ベースライン比較メトリクスを確立する。 Overhead-MNISTデータセットは、ユビキタスなMNISTの手書き桁に似たスタイルの衛星画像の集合である。本稿では,エッジの展開性および今後の性能向上のためのベースラインとして,全体的な性能向上アルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-07-01T13:30:39Z)
An in-depth comparison of methods handling mixed-attribute data for general fuzzy min-max neural network [9.061408029414455]
我々は、データセットを混合特徴で扱う3つの主要な方法を比較し、評価する。実験の結果,ターゲットとJames-SteinはGFMMモデルのアルゴリズムを学習するための適切な分類的符号化法であることがわかった。 GFMMニューラルネットワークと決定木の組み合わせは、データセット上のGFMMモデルの分類性能と混合特徴を向上するフレキシブルな方法である。
論文参考訳（メタデータ） (2020-09-01T05:12:22Z)
Unsupervised Deep Cross-modality Spectral Hashing [65.3842441716661]
このフレームワークは、最適化をバイナリ最適化とハッシュ関数学習に分離する2段階のハッシュアプローチである。本稿では,単一モダリティと二項相互モダリティを同時に学習するスペクトル埋め込みに基づく新しいアルゴリズムを提案する。我々は、画像に強力なCNNを活用し、テキストモダリティを学ぶためのCNNベースのディープアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-08-01T09:20:11Z)
Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
論文参考訳（メタデータ） (2020-07-14T18:50:12Z)
Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
論文参考訳（メタデータ） (2020-05-13T13:25:51Z)

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。