論文の概要: Explainable prediction of Qcodes for NOTAMs using column generation

• arxiv url: http://arxiv.org/abs/2208.04955v1
• Date: Tue, 9 Aug 2022 14:30:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 12:36:13.279383
• Title: Explainable prediction of Qcodes for NOTAMs using column generation
• Title（参考訳）: 列生成を用いたNOTAMのQcodeの説明可能な予測
• Authors: Krunal Kishor Patel, Guy Desaulniers, Andrea Lodi, and Freddy Lecue
• Abstract要約: そこで我々は,NOTAMのためのQcodeを,いくつかの説明とともに予測するツールを開発した。 カラム生成を用いた解釈可能なバイナリ分類を拡張する方法を提案する。 提案手法は,最先端の機械学習アルゴリズムと良好に比較できることを示す。
• 参考スコア（独自算出の注目度）: 4.138596740246665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A NOtice To AirMen (NOTAM) contains important flight route related information. To search and filter them, NOTAMs are grouped into categories called QCodes. In this paper, we develop a tool to predict, with some explanations, a Qcode for a NOTAM. We present a way to extend the interpretable binary classification using column generation proposed in Dash, Gunluk, and Wei (2018) to a multiclass text classification method. We describe the techniques used to tackle the issues related to one vs-rest classification, such as multiple outputs and class imbalances. Furthermore, we introduce some heuristics, including the use of a CP-SAT solver for the subproblems, to reduce the training time. Finally, we show that our approach compares favorably with state-of-the-art machine learning algorithms like Linear SVM and small neural networks while adding the needed interpretability component.
• Abstract（参考訳）: Notice To AirMen (NOTAM) には重要な飛行経路に関する情報が含まれている。 それらを検索してフィルタリングするために、NOTAMはQCodesと呼ばれるカテゴリに分類される。 本稿では,NOTAMのためのQcodeを,いくつかの説明とともに予測するツールを開発する。 dash,gunluk,wei (2018) で提案されている列生成を用いた解釈可能なバイナリ分類を多クラステキスト分類法に拡張する方法を提案する。 本稿では,複数出力やクラス不均衡など,ひとつのvs-rest分類に関連する問題に対処する手法について述べる。 さらに,CP-SATソルバをサブプロブレムに使用してトレーニング時間を短縮するなど,ヒューリスティックな手法を導入する。 最後に,本手法を線形svmや小型ニューラルネットワークなどの最先端機械学習アルゴリズムと比較し,必要な解釈性要素を付加した。

関連論文リスト

• Sparse Attention-Based Neural Networks for Code Classification [15.296053323327312]
  コード分類のためのスパース注意型ニューラルネットワーク(SACC)を提案する。 最初のステップでは、ソースコードは構文解析と前処理を行う。 サブツリーの符号化されたシーケンスは、分類のためにスパースアテンション機構を組み込んだTransformerモデルに入力される。
  論文  参考訳（メタデータ） (2023-11-11T14:07:12Z)
• Vector Quantized Wasserstein Auto-Encoder [57.29764749855623]
  生成的視点から深層離散表現を学習する。 我々は,コードワード列上の離散分布を付与し,コードワード列上の分布をデータ分布に伝達する決定論的デコーダを学習する。 WS 距離のクラスタリングの観点と結びつけて,より優れた,より制御可能なクラスタリングソリューションを実現するための,さらなる理論を開発しています。
  論文  参考訳（メタデータ） (2023-02-12T13:51:36Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Gradient-based Quadratic Multiform Separation [0.0]
  我々はMichael Fanらによって最近提案された分類法である準多重形式分離(QMS)に注目した。 本稿では,QMSに基づく最適化手法であるAdamを用いて,QMS固有の損失関数を最小限に抑える分類器を提案する。 実験の結果,QMSは精度の点で,ほとんどの分類法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-10-25T14:45:52Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• SetConv: A New Approach for Learning from Imbalanced Data [29.366843553056594]
  集合畳み込み操作とエピソード学習戦略を提案し,各クラスに1つの代表を抽出する。 提案アルゴリズムは入力順序に関わらず置換不変であることを示す。
  論文  参考訳（メタデータ） (2021-04-03T22:33:30Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Predictive K-means with local models [0.028675177318965035]
  予測クラスタリングは、2つの世界のベストを獲得しようとします。 この手法を用いて2つの新しいアルゴリズムを提案し、予測性能に競争力があることを様々なデータセットで示す。
  論文  参考訳（メタデータ） (2020-12-16T10:49:36Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)

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。