論文の概要: Unit Selection: Learning Benefit Function from Finite Population Data

• arxiv url: http://arxiv.org/abs/2210.08203v1
• Date: Sat, 15 Oct 2022 05:48:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 18:42:23.424570
• Title: Unit Selection: Learning Benefit Function from Finite Population Data
• Title（参考訳）: 単位選択:有限人口データからベネフィット関数を学習する
• Authors: Ang Li, Song Jiang, Yizhou Sun, Judea Pearl
• Abstract要約: 単位選択問題は、評価と探索サブプロブレムからなる。 本稿では,有限集団データから推定可能な恩恵関数のバウンダリを用いた機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 40.99426447422972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The unit selection problem is to identify a group of individuals who are most likely to exhibit a desired mode of behavior, for example, selecting individuals who would respond one way if incentivized and a different way if not. The unit selection problem consists of evaluation and search subproblems. Li and Pearl defined the "benefit function" to evaluate the average payoff of selecting a certain individual with given characteristics. The search subproblem is then to design an algorithm to identify the characteristics that maximize the above benefit function. The hardness of the search subproblem arises due to the large number of characteristics available for each individual and the sparsity of the data available in each cell of characteristics. In this paper, we present a machine learning framework that uses the bounds of the benefit function that are estimable from the finite population data to learn the bounds of the benefit function for each cell of characteristics. Therefore, we could easily obtain the characteristics that maximize the benefit function.
• Abstract（参考訳）: 単位選択問題(unit selection problem)は、望ましい行動様式を示す可能性が最も高い個人のグループを特定することである。 単位選択問題は評価と探索部分問題からなる。 liとpearlは、与えられた特性を持つ特定の個人を選択する平均的な報酬を評価するために「便益関数」を定義した。 探索部分問題とは、上記の利益関数を最大化する特性を特定するアルゴリズムを設計することである。 探索サブプロブレムの難しさは、個々の個々に利用可能な特徴の多さと、各特性セルで利用可能なデータのスパース性によって生じる。 本稿では,有限集団データから推定可能な利得関数の境界を用いて,各セルの利得関数の境界を学習する機械学習フレームワークを提案する。 したがって,利益関数を最大化する特性を容易に得ることができる。

関連論文リスト

• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning [9.596923373834093]
  本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。 提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-01-15T05:32:35Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Unit Selection with Nonbinary Treatment and Effect [20.750773939911685]
  単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。 実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した 本稿では, 処理と効果が二項に制限されないように, 便益関数を一般形式に拡張する。
  論文  参考訳（メタデータ） (2022-08-20T00:01:46Z)
• Parallel feature selection based on the trace ratio criterion [4.30274561163157]
  本研究は,PFSTを用いた並列特徴選択という,新しい並列特徴選択手法を提案する。 提案手法は,Fisher's Discriminant Analysisで用いられるクラス分離性の尺度であるトレース基準を用いて特徴的有用性を評価する。 実験により,本手法は,比較対象の他の手法による時間的差のごく一部で,少数の特徴セットを生成できることが確認された。
  論文  参考訳（メタデータ） (2022-03-03T10:50:33Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Unit Selection with Causal Diagram [27.872692504502286]
  単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。 実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した
  論文  参考訳（メタデータ） (2021-09-15T20:06:25Z)
• Feature Selection Using Reinforcement Learning [0.0]
  特定の関心の予測因子を特徴付けるために使用できる変数や特徴の空間は指数関数的に増大し続けている。 モデルのバイアスを損なうことなく分散を最小化する最も特徴的な特徴を特定することは、マシンラーニングモデルのトレーニングを成功させる上で非常に重要です。
  論文  参考訳（メタデータ） (2021-01-23T09:24:37Z)
• Infinite Feature Selection: A Graph-based Feature Filtering Approach [78.63188057505012]
  グラフ内の経路として特徴のサブセットを考慮したフィルタリング機能選択フレームワークを提案する。 無限に進むことで、選択プロセスの計算複雑性を制限できる。 Inf-FSはほとんどどんな状況でも、つまり、保持するフィーチャの数が優先順位に固定されているときに、より良く振る舞うことを示す。
  論文  参考訳（メタデータ） (2020-06-15T07:20:40Z)

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。