論文の概要: Limit Cycles of AdaBoost

• arxiv url: http://arxiv.org/abs/2209.06928v1
• Date: Wed, 14 Sep 2022 21:02:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 12:29:24.432293
• Title: Limit Cycles of AdaBoost
• Title（参考訳）: AdaBoostの限界サイクル
• Authors: Conor Snedeker
• Abstract要約: AdaBoostのサイクリング挙動は,アルゴリズムの一般の非サイクリングの場合において非効率な直接計算手法に寄与することを示す。 この研究で私たちが目指すのは、この機械学習アルゴリズムのサイクリングダイナミクスに関する、新しくて自己完結した説明である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The iterative weight update for the AdaBoost machine learning algorithm may be realized as a dynamical map on a probability simplex. When learning a low-dimensional data set this algorithm has a tendency towards cycling behavior, which is the topic of this paper. AdaBoost's cycling behavior lends itself to direct computational methods that are ineffective in the general, non-cycling case of the algorithm. From these computational properties we give a concrete correspondence between AdaBoost's cycling behavior and continued fractions dynamics. Then we explore the results of this correspondence to expound on how the algorithm comes to be in this periodic state at all. What we intend for this work is to be a novel and self-contained explanation for the cycling dynamics of this machine learning algorithm.
• Abstract（参考訳）: adaboost機械学習アルゴリズムの反復重み更新は、確率単純x上の動的写像として実現することができる。 低次元データセットを学習する場合、このアルゴリズムはサイクリング行動の傾向があり、これが本論文のトピックである。 AdaBoostのサイクリングの振る舞いは、アルゴリズムの一般の非サイクリングの場合では効果の低い直接計算手法に自覚する。 これらの計算特性から,adaboostのサイクリング挙動と継続分数動量との具体的な対応を示す。 そして、この対応の結果を探索し、この周期状態におけるアルゴリズムがどのようになっているのかを概説する。 この研究の意図は、この機械学習アルゴリズムのサイクリングダイナミクスのための、新しくて自己完結した説明である。

関連論文リスト

• Active Learning of Mealy Machines with Timers [3.087487671441056]
  ブラックボックスコンテキストにおけるタイマー付きMealyマシンのクラスを問合せ学習するための最初のアルゴリズムを提案する。 我々のアルゴリズムはVaandragerらのL#アルゴリズムを時間設定に拡張したものである。
  論文  参考訳（メタデータ） (2024-03-04T13:20:52Z)
• 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)
• When Analytic Calculus Cracks AdaBoost Code [0.30693357740321775]
  本研究では,Scikit-Lernで実装されたAdaBoostプロシージャを (2クラス) 解析する。 AdaBoostは名前のみのアルゴリズムであり、結果の弱い分類器の組み合わせは真理表を使って明示的に計算できる。 我々は,この式がリスクの最小点を与えていないことを観察し,最小点を求めるシステムを提供し,Freund と Schapire が記述したアルゴリズムを実装していないことを確かめる。
  論文  参考訳（メタデータ） (2023-08-02T10:37:25Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Learning algorithms from circuit lower bounds [0.0]
  構成回路下界の様々な概念から効率的な学習アルゴリズムの既知の構成を再考する。 難しい問題を解こうとする多くのpサイズの回路の誤りを、特定のインタラクティブな方法で効率的に見つけることができれば、pサイズの回路は一様分布を通じてPACを学ぶことができることを証明します。
  論文  参考訳（メタデータ） (2020-12-28T04:47:36Z)
• Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
  アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。 このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。 また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
  論文  参考訳（メタデータ） (2020-10-13T08:02:38Z)
• Activation Relaxation: A Local Dynamical Approximation to Backpropagation in the Brain [62.997667081978825]
  活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。 我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
  論文  参考訳（メタデータ） (2020-09-11T11:56:34Z)
• agtboost: Adaptive and Automatic Gradient Tree Boosting Computations [0.0]
  agtboostは高速勾配木強化計算を実装している。 有用なモデル検証関数は、学習された分布に関するコルモゴロフ・スミルノフテストを実行する。
  論文  参考訳（メタデータ） (2020-08-28T12:42:19Z)
• Cyclic Boosting -- an explainable supervised machine learning algorithm [0.0]
  本稿では,新しい機械学習アルゴリズム"Cyclic Boosting"を提案する。 正確な回帰と分類のタスクを効率的に行うと同時に、個々の予測がどのように行われたかの詳細な理解を可能にします。
  論文  参考訳（メタデータ） (2020-02-09T18:52:42Z)

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。