Fugu-MT 論文翻訳(概要): Subclasses of Class Function used to Implement Transformations of Statistical Models

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

A prototype-based model for set classification [2.0564549686015594]
ベクトルの集合を表す一般的な方法は、それらを線型部分空間としてモデル化することである。我々は、そのような線型部分空間、グラスマン多様体から形成される多様体について、プロトタイプベースの学習手法を提案する。
論文参考訳（メタデータ） (2024-08-25T04:29:18Z)
Data Shapley in One Training Run [88.59484417202454]
Data Shapleyは、機械学習コンテキストにおけるデータのコントリビューションに寄与するための、原則化されたフレームワークを提供する。既存のアプローチでは、計算集約的な異なるデータサブセット上の再学習モデルが必要である。本稿では、対象とするデータモデルに対するスケーラブルなデータ属性を提供することにより、これらの制限に対処するIn-Run Data Shapleyを紹介する。
論文参考訳（メタデータ） (2024-06-16T17:09:24Z)
Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
コンポーネントモデリングというタスクを導入します。コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
論文参考訳（メタデータ） (2024-04-17T16:28:08Z)
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)
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)
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)
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。