論文の概要: MACFE: A Meta-learning and Causality Based Feature Engineering Framework

• arxiv url: http://arxiv.org/abs/2207.04010v1
• Date: Fri, 8 Jul 2022 16:57:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-11 13:26:42.982958
• Title: MACFE: A Meta-learning and Causality Based Feature Engineering Framework
• Title（参考訳）: MACFE: メタラーニングと因果性に基づく機能エンジニアリングフレームワーク
• Authors: Ivan Reyes-Amezcua and Daniel Flores-Araiza and Gilberto Ochoa-Ruiz and Andres Mendez-Vazquez and Eduardo Rodriguez-Tello
• Abstract要約: メタラーニングと因果性に基づく特徴工学(MACFE)と呼ばれる新しい手法を提案する。 MACFEでは、メタ学習が最適な変換を見つけるために使用され、その後、"オリジナル"機能を事前に選択することで、検索が高速化される。 MACFEは,8つの分類器間で予測性能を向上し,最先端の手法を平均6.54%向上させ,先行研究よりも2.71%向上することを示す。
• 参考スコア（独自算出の注目度）: 1.8059331230167266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature engineering has become one of the most important steps to improve model prediction performance, and to produce quality datasets. However, this process requires non-trivial domain-knowledge which involves a time-consuming process. Thereby, automating such process has become an active area of research and of interest in industrial applications. In this paper, a novel method, called Meta-learning and Causality Based Feature Engineering (MACFE), is proposed; our method is based on the use of meta-learning, feature distribution encoding, and causality feature selection. In MACFE, meta-learning is used to find the best transformations, then the search is accelerated by pre-selecting "original" features given their causal relevance. Experimental evaluations on popular classification datasets show that MACFE can improve the prediction performance across eight classifiers, outperforms the current state-of-the-art methods in average by at least 6.54%, and obtains an improvement of 2.71% over the best previous works.
• Abstract（参考訳）: 機能エンジニアリングは、モデル予測のパフォーマンスを改善し、品質データセットを作成するための最も重要なステップの1つになっています。 しかし、このプロセスには時間を要する非自明なドメイン知識が必要です。 これにより、そのようなプロセスの自動化は研究の活発な領域となり、産業応用への関心が高まっている。 本稿ではメタラーニングと因果性に基づく特徴工学(MACFE)と呼ばれる新しい手法を提案し,メタラーニング,特徴分布符号化,因果性特徴選択を応用した手法を提案する。 MACFEでは、メタラーニングは最良の変換を見つけるために使用され、その因果関係から「オリジナル」特徴を事前に選択することで探索が加速される。 一般的な分類データセットの実験的評価によると、MACFEは8つの分類器で予測性能を向上し、現在の最先端の手法を平均6.54%上回っており、過去の最高の研究よりも2.71%向上している。

関連論文リスト

• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Revisiting Machine Learning based Test Case Prioritization for Continuous Integration [14.969146789178211]
  機械学習ベースの(MLベースの)テストケース優先順位付け技術が、同じ実験環境下でどのように機能するかは不明だ。 本研究では,11名のオープンソース被験者を対象に,11名の代表的MLベースのCI優先化手法の性能について検討した。 我々はMLベースの手法の有効性を高めるためにいくつかの実用的な提案を行う。
  論文  参考訳（メタデータ） (2023-11-22T14:19:24Z)
• Automatic learning algorithm selection for classification via convolutional neural networks [0.0]
  本研究の目的は,メタ機能を特定することなく,データ固有の構造を学習することである。 シミュレーションデータセットを用いた実験により, 線形および非線形パターンの同定において, 提案手法がほぼ完璧な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-05-16T01:57:01Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Model-Agnostic Multitask Fine-tuning for Few-shot Vision-Language Transfer Learning [59.38343286807997]
  未知タスクの視覚言語モデルのためのモデル非依存型マルチタスクファインチューニング(MAMF)を提案する。 モデルに依存しないメタラーニング(MAML)と比較して、MAMFは二段階最適化を捨て、一階勾配のみを使用する。 MAMFは5つのベンチマークデータセット上で、数ショットの転送学習において古典的な微調整法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-09T17:26:53Z)
• Data Augmentation through Expert-guided Symmetry Detection to Improve Performance in Offline Reinforcement Learning [0.0]
  マルコフ決定過程(MDP)の動的モデルのオフライン推定は非自明な作業である。 近年の研究では、密度推定法に依存する専門家誘導パイプラインが、決定論的環境において、この構造を効果的に検出できることが示されている。 学習したMDPを解き、実際の環境に最適化されたポリシーを適用すると、前者の結果が性能改善につながることを示す。
  論文  参考訳（メタデータ） (2021-12-18T14:32:32Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• Optimizing Speech Emotion Recognition using Manta-Ray Based Feature Selection [1.4502611532302039]
  既存の特徴抽出手法を用いて抽出した特徴の連結により,分類精度が向上することを示す。 また,音声感情認識タスクにおけるマンタレイ最適化の新たな応用を行い,その結果を得た。
  論文  参考訳（メタデータ） (2020-09-18T16:09:34Z)

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。