論文の概要: Exploration of Parameter Spaces Assisted by Machine Learning
- arxiv url: http://arxiv.org/abs/2207.09959v1
- Date: Wed, 20 Jul 2022 15:09:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:20:31.712757
- Title: Exploration of Parameter Spaces Assisted by Machine Learning
- Title（参考訳）: 機械学習によるパラメータ空間の探索
- Authors: A. Hammad, Myeonghun Park, Raymundo Ramos and Pankaj Saha
- Abstract要約: 機械学習によるパラメータ空間の探索を改良し、サンプリング手順を実装する様々な機能やクラスを示す。
特に,回帰と分類という,異なる機械学習モデルの導入を支援する2つの手法について論じる。
本稿で使用するコードと使用方法の指示は,Web上で公開されている。
- 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 showcase a variety of functions and classes that implement sampling
procedures with improved exploration of the parameter space assisted by machine
learning. Special attention is paid to setting sane defaults with the objective
that adjustments required by different problems remain minimal. This collection
of routines can be employed for different types of analysis, from finding
bounds on the parameter space to accumulating samples in areas of interest. In
particular, we discuss two methods assisted by incorporating different machine
learning models: regression and classification. We show that a machine learning
classifier can provide higher efficiency for exploring the parameter space.
Also, we introduce a boosting technique to improve the slow convergence at the
start of the process. The use of these routines is better explained with the
help of a few examples that illustrate the type of results one can obtain. We
also include examples of the code used to obtain the examples as well as
descriptions of the adjustments that can be made to adapt the calculation to
other problems. We finalize by showing the impact of these techniques when
exploring the parameter space of the two Higgs doublet model that matches the
measured Higgs Boson signal strength. The code used for this paper and
instructions on how to use it are available on the web.
- Abstract（参考訳）: 機械学習の支援によりパラメータ空間の探索性が向上したサンプリング手順を実装した様々な機能やクラスを紹介する。
問題によって要求される調整が最小限に抑えられることを目標として、不適切なデフォルトの設定に特別注意が払われる。
このルーチンのコレクションは、パラメータ空間上の境界を見つけることから、興味のある領域のサンプルを蓄積することまで、さまざまなタイプの分析に使用できる。
特に,回帰と分類という,異なる機械学習モデルの導入を支援する2つの手法について論じる。
機械学習分類器はパラメータ空間の探索に高い効率性を提供できることを示す。
また,プロセス開始時の緩やかな収束を改善するために,促進技術を導入する。
これらのルーチンの使用は、得られる結果のタイプを示すいくつかの例の助けを借りて、より詳しく説明されている。
また,サンプル取得に使用するコードの例や,計算を他の問題に適用するための調整についての説明も行っています。
測定されたヒッグス・ボソン信号強度と一致する2つのヒッグス・ダブレットモデルのパラメータ空間を探索する際に,これらの手法が与える影響について述べる。
本稿で使用するコードと使用方法の指示は,Web上で公開されている。
関連論文リスト
- An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Active Learning with Expected Error Reduction [4.506537904404427]
期待される誤り低減(EER)は,能動的学習に有効な方法であることが示されている。
EERは、モデルを候補サンプル毎に再トレーニングする必要がある。
本稿ではベイジアンアクティブラーニングのレンズの下でEERを再構成する。
論文 参考訳（メタデータ） (2022-11-17T01:02:12Z) - Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo
sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。
Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文 参考訳（メタデータ） (2022-05-12T11:15:47Z) - A Framework and Benchmark for Deep Batch Active Learning for Regression [2.093287944284448]
ラベル付きデータのバッチを適応的に選択する能動的学習法について検討した。
本稿では,ネットワークに依存した)ベースカーネル,カーネル変換,選択メソッドからそのようなメソッドを構築するためのフレームワークを提案する。
提案手法は,我々のベンチマークの最先端性,大規模データセットへのスケール,ネットワークアーキテクチャやトレーニングコードを調整することなく,アウト・オブ・ボックスで動作する。
論文 参考訳（メタデータ） (2022-03-17T16:11:36Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - A concise method for feature selection via normalized frequencies [0.0]
本稿では,普遍的特徴選択のための簡潔な手法を提案する。
提案手法は, フィルタ法とラッパー法を融合して行う。
評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
論文 参考訳（メタデータ） (2021-06-10T15:29:54Z) - Improving Deep Learning Sound Events Classifiers using Gram Matrix
Feature-wise Correlations [1.2891210250935146]
本手法では,一般CNNの全てのアクティベーションを分析し,Gram Matricesを用いて特徴表現を生成する。
提案手法はどのCNNにも適用可能であり,2つのデータセット上で4つの異なるアーキテクチャを実験的に評価した結果,ベースラインモデルが一貫して改善されることが示された。
論文 参考訳（メタデータ） (2021-02-23T16:08:02Z) - MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down
Distillation [153.56211546576978]
本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。
このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。
実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
論文 参考訳（メタデータ） (2020-08-27T13:04:27Z)
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。