論文の概要: Subclasses of Class Function used to Implement Transformations of
Statistical Models
- arxiv url: http://arxiv.org/abs/2207.04218v1
- Date: Sat, 9 Jul 2022 07:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 16:33:06.952072
- Title: Subclasses of Class Function used to Implement Transformations of
Statistical Models
- Title(参考訳): 統計モデルの変換を実装するクラス関数のサブクラス
- Authors: Lloyd Allison
- Abstract要約: 最小メッセージ長(MML)原理で導かれる帰納的推論のためのソフトウェアのライブラリが以前作成されていた。
統計モデルには様々な(オブジェクト指向の)クラスとサブクラスが含まれており、機械学習問題における与えられたデータセットからモデルを予測するのに使うことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A library of software for inductive inference guided by the Minimum Message
Length (MML) principle was created previously. It contains various
(object-oriented-) classes and subclasses of statistical Model and can be used
to infer Models from given data sets in machine learning problems. Here
transformations of statistical Models are considered and implemented within the
library so as to have desirable properties from the object-oriented programming
and mathematical points of view. The subclasses of class Function needed to do
such transformations are defined.
- Abstract(参考訳): 最小メッセージ長(MML)原理で導かれる帰納的推論のためのソフトウェアライブラリが以前作成された。
さまざまな(オブジェクト指向の)クラスと統計モデルのサブクラスが含まれており、機械学習問題で与えられたデータセットからモデルを推論するのに使うことができる。
ここで統計モデルの変換は、オブジェクト指向プログラミングや数学的観点から望ましい性質を持つようにライブラリ内で考慮され、実装される。
このような変換を行うのに必要なクラス関数のサブクラスを定義する。
関連論文リスト
- Extending Variability-Aware Model Selection with Bias Detection in
Machine Learning Projects [0.7646713951724013]
本稿では,機械学習プロジェクトにおけるバイアス検出による適応変数認識モデル選択手法の拡張について述べる。
提案手法は, モデル選択, 特にバイアスに関連する要因, およびそれらの相互作用に影響を及ぼす因子を明示することによって, 技術の現状を推し進めることを目的としている。
論文 参考訳(メタデータ) (2023-11-23T22:08:29Z) - Language Model Cascades [72.18809575261498]
テスト時に1つのモデルで繰り返し対話する、あるいは複数のモデルの合成は、さらに機能を拡張する。
制御フローと動的構造を持つ場合、確率的プログラミングのテクニックが必要となる。
この観点から、スクラッチパッド/思考連鎖、検証器、STaR、選択推論、ツール利用など、いくつかの既存のテクニックを定式化します。
論文 参考訳(メタデータ) (2022-07-21T07:35:18Z) - Metadata Representations for Queryable ML Model Zoos [73.24799582702326]
機械学習(ML)の実践者や組織は、事前訓練されたモデルのモデル動物園を構築しており、モデルの性質を記述するメタデータを含んでいる。
メタタダは現在標準化されておらず、表現力は限られている。
本稿では,MLモデルのメタデータ表現と管理の標準化を提唱し,そのメタデータの管理とクエリを支援するツールキットを提案する。
論文 参考訳(メタデータ) (2022-07-19T15:04:14Z) - Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。
古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。
我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2022-03-31T13:46:41Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - ALEX: Active Learning based Enhancement of a Model's Explainability [34.26945469627691]
アクティブラーニング(AL)アルゴリズムは、最小限のラベル付き例をブートストラップ方式で効率的な分類器を構築しようとする。
データ駆動学習の時代において、これは追求すべき重要な研究方向である。
本稿では,モデルの有効性に加えて,ブートストラップ段階におけるモデルの解釈可能性の向上も目指すAL選択関数の開発に向けた取り組みについて述べる。
論文 参考訳(メタデータ) (2020-09-02T07:15:39Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳(メタデータ) (2020-07-03T18:23:39Z) - Feature Selection Methods for Uplift Modeling and Heterogeneous
Treatment Effect [1.349645012479288]
アップリフトモデリングは、サブグループレベルの治療効果を推定する因果学習手法である。
従来の機能選択の方法は、そのタスクには適していない。
本稿では,アップリフトモデリングのための特徴選択手法を提案する。
論文 参考訳(メタデータ) (2020-05-05T00:28:18Z) - An Epistemic Approach to the Formal Specification of Statistical Machine
Learning [1.599072005190786]
Kripkeモデルに基づく教師あり学習のための形式モデルを提案する。
次に、統計分類器の分類性能、頑健性、公正性の様々な概念を定式化する。
論文 参考訳(メタデータ) (2020-04-27T12:16:45Z) - Non-exchangeable feature allocation models with sublinear growth of the
feature sizes [38.020001748199036]
指定された特徴を共有するオブジェクトの数がサブライン的に増加するような、交換不能な特徴割り当てモデルのクラスを示す。
我々はモデルの性質を導出し、そのようなモデルが様々なデータセットに対してより適合し、より良い予測性能を提供することを示す。
論文 参考訳(メタデータ) (2020-03-30T14:14:43Z) - FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers [67.46036826589467]
本稿では,データ例のラベルを使わずに,変換の分布によって引き起こされる特徴表現の変化を学習することで,新たな正規化機構を提案する。
エンコードされた特徴レベルで変換強化されたバリエーションを検査することで、ベースカテゴリへのオーバーフィットのリスクを最小限に抑えることができる。
実験結果から,文学における現在の最先端手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2019-12-29T15:26:28Z)
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。