Fugu-MT 論文翻訳(概要): Conditional Variable Selection for Intelligent Test

論文の概要: Conditional Variable Selection for Intelligent Test

arxiv url: http://arxiv.org/abs/2207.00335v1
Date: Fri, 1 Jul 2022 11:01:53 GMT
ステータス: 処理完了
システム内更新日: 2022-07-04 13:46:10.473094
Title: Conditional Variable Selection for Intelligent Test
Title（参考訳）: 知的テストのための条件変数選択
Authors: Yiwen Liao, Tianjie Ge, Rapha\"el Latty, Bin Yang
Abstract要約: 本稿では,事前選択された変数の集合から最も重要な候補変数を選択可能な,新しい条件変数選択フレームワークについて論じる。本稿では,事前選択された変数の集合から最も重要な候補変数を選択可能な条件変数選択フレームワークについて論じる。
参考スコア（独自算出の注目度）: 5.904240881373805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intelligent test requires efficient and effective analysis of high-dimensional data in a large scale. Traditionally, the analysis is often conducted by human experts, but it is not scalable in the era of big data. To tackle this challenge, variable selection has been recently introduced to intelligent test. However, in practice, we encounter scenarios where certain variables (e.g. some specific processing conditions for a device under test) must be maintained after variable selection. We call this conditional variable selection, which has not been well investigated for embedded or deep-learning-based variable selection methods. In this paper, we discuss a novel conditional variable selection framework that can select the most important candidate variables given a set of preselected variables.
Abstract（参考訳）: インテリジェントテストは大規模に高次元データの効率的かつ効果的な分析を必要とする。伝統的に、この分析は人間の専門家によって行われることが多いが、ビッグデータの時代にはスケーラブルではない。この課題に対処するため、知的テストに変数選択が導入されている。しかし、実際には、特定の変数(例えば、テスト中のデバイスの特定の処理条件)を変数選択後に維持しなければならないシナリオに遭遇する。この条件変数選択は,組込みあるいは深層学習に基づく変数選択法では十分に研究されていない。本稿では,事前選択された変数の集合から最も重要な候補変数を選択できる条件付き変数選択フレームワークについて述べる。

関連論文リスト

Model-independent variable selection via the rule-based variable priority [1.2771542695459488]
モデルに依存しない新しいアプローチである可変優先度(VarPro)を導入する。 VarProは、人工データを生成したり、予測エラーを評価することなく、ルールを活用する。 VarProはノイズ変数に対して一貫したフィルタリング特性を持つことを示す。
論文参考訳（メタデータ） (2024-09-13T17:32:05Z)
Contextual Feature Selection with Conditional Stochastic Gates [9.784482648233048]
条件ゲート(c-STG)は、文脈変数に基づいてパラメータが予測される条件変数を用いて、特徴の重要性をモデル化する。我々は,c-STGは,予測精度と解釈可能性を高めつつ,特徴選択能力の向上につながることを示した。
論文参考訳（メタデータ） (2023-12-21T19:12:59Z)
Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文参考訳（メタデータ） (2023-09-07T17:44:56Z)
AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。この問題に対処するためにテスト時適応(TTA)手法が提案されている。本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
論文参考訳（メタデータ） (2023-04-25T04:23:13Z)
Inferring independent sets of Gaussian variables after thresholding correlations [1.3535770763481905]
データから選択されたガウス変数の集合が残りの変数とは独立であるかどうかをテストする。確率変数群間の正準相関から条件付けイベントの新たな特徴付けを開発する。シミュレーション研究や遺伝子共発現ネットワークの解析において、我々のアプローチは選択の効果を無視するナイーブのアプローチよりもはるかに高いパワーを持つことを示した。
論文参考訳（メタデータ） (2022-11-02T23:47:32Z)
Few-shot Learning for Unsupervised Feature Selection [59.75321498170363]
教師なし特徴選択のための数ショット学習法を提案する。提案手法では,未ラベルのターゲットインスタンスがいくつかある場合,対象タスクで関連する特徴のサブセットを選択することができる。提案手法が既存の特徴選択法より優れていることを示す。
論文参考訳（メタデータ） (2021-07-02T03:52:51Z)
Fast Bayesian Variable Selection in Binomial and Negative Binomial Regression [9.774282306558465]
本稿では,二項回帰および負二項回帰における変数選択のための効率的なMCMCスキームを導入し,ロジスティック回帰を特別な事例として活用する。実験では、17万の共変量を持つデータを含む、我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2021-06-28T20:54:41Z)
Safe Tests and Always-Valid Confidence Intervals for contingency tables and beyond [69.25055322530058]
2つのデータストリームが同じソースから来るかどうかをテストするためのE変数を開発します。これらのE変数は、オプションの停止や継続のようなフレキシブルなサンプリングシナリオの下で、安全であり続けるテストにつながる。
論文参考訳（メタデータ） (2021-06-04T20:12:13Z)
True Few-Shot Learning with Language Models [78.42578316883271]
ホールドアウト例が利用できない場合, LMの少数ショット能力を評価する。以上の結果から,先行研究はLMの真少ショット能力を大幅に過大評価していたことが示唆された。
論文参考訳（メタデータ） (2021-05-24T17:55:51Z)
A Two-Stage Variable Selection Approach for Correlated High Dimensional Predictors [4.8128078741263725]
本稿では,グループ変数選択問題に対して,変数クラスタリングステージとグループ変数ステージを組み合わせた2段階アプローチを提案する。変数クラスタリングステージは、データからの情報を使用してグループ構造を見つけ、既存のグループ変数選択メソッドのパフォーマンスを向上させる。この2段階法は, 予測精度, アクティブな予測器の選択精度において, より優れた性能を示す。
論文参考訳（メタデータ） (2021-03-24T17:28:34Z)
Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。