論文の概要: Neural RELAGGS

• arxiv url: http://arxiv.org/abs/2211.02363v1
• Date: Fri, 4 Nov 2022 10:42:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 17:38:18.613744
• Title: Neural RELAGGS
• Title（参考訳）: 神経リレーグス
• Authors: Lukas Pensel and Stefan Kramer
• Abstract要約: マルチリレーショナルデータベースは、今日の科学や産業において、最も統合されたデータ収集の基盤となっている。 命題化アルゴリズムは、マルチリレーショナルデータベースを命題データセットに変換する。 本稿では,学習可能な複合集合関数を用いたRELAGGSを用いたニューラルネットワークに基づく新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.690774882108066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-relational databases are the basis of most consolidated data collections in science and industry today. Most learning and mining algorithms, however, require data to be represented in a propositional form. While there is a variety of specialized machine learning algorithms that can operate directly on multi-relational data sets, propositionalization algorithms transform multi-relational databases into propositional data sets, thereby allowing the application of traditional machine learning and data mining algorithms without their modification. One prominent propositionalization algorithm is RELAGGS by Krogel and Wrobel, which transforms the data by nested aggregations. We propose a new neural network based algorithm in the spirit of RELAGGS that employs trainable composite aggregate functions instead of the static aggregate functions used in the original approach. In this way, we can jointly train the propositionalization with the prediction model, or, alternatively, use the learned aggegrations as embeddings in other algorithms. We demonstrate the increased predictive performance by comparing N-RELAGGS with RELAGGS and multiple other state-of-the-art algorithms.
• Abstract（参考訳）: マルチリレーショナルデータベースは、今日の科学と産業における最も統合されたデータコレクションの基礎である。 しかし、ほとんどの学習とマイニングのアルゴリズムは命題形式でデータを表現する必要がある。 マルチリレーショナルデータセットを直接操作できる特殊な機械学習アルゴリズムは数多く存在するが、命題化アルゴリズムはマルチリレーショナルデータベースを命題データセットに変換するため、従来の機械学習とデータマイニングアルゴリズムを変更せずに適用することができる。 1つの顕著な命題化アルゴリズムは、ネストした集約によってデータを変換するKrogelとWrobelによるRELAGGSである。 そこで本研究では,学習可能な合成集約関数を元来の手法で用いた静的集約関数ではなく,学習可能な合成集約関数を用いる,relaggsの精神におけるニューラルネットワークに基づく新しいアルゴリズムを提案する。 このようにして、命題化を予測モデルと共同で訓練するか、あるいは学習されたアグレゲーションを他のアルゴリズムへの埋め込みとして使うことができる。 我々は,N-RELAGGSをRELAGGSや他の最先端アルゴリズムと比較することにより,予測性能の向上を示す。

関連論文リスト

• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• Context-Aware Ensemble Learning for Time Series [11.716677452529114]
  本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。 我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
  論文  参考訳（メタデータ） (2022-11-30T10:36:13Z)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• Distributed Estimation of Sparse Inverse Covariance Matrices [0.7832189413179361]
  分散エージェントが収集したデータからネットワーク構造をリアルタイムで学習する分散スパース逆共分散アルゴリズムを提案する。 我々のアプローチは、エージェントが望ましい構造を協調的に学習できるコンセンサス項を付加した、オンラインのグラフィカル交代最小化アルゴリズムに基づいて構築されている。
  論文  参考訳（メタデータ） (2021-09-24T15:26:41Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• A Novel Surrogate-assisted Evolutionary Algorithm Applied to Partition-based Ensemble Learning [0.0]
  高価な最適化問題を解決するための新しいサロゲート支援アルゴリズムを提案する。 我々は,適応値推定に用いるサロゲートモデルと,進化的遺伝子-進化的最適混合アルゴリズムの最先端p3様変種を統合する。 提案したアルゴリズムをアンサンブル学習問題で検証する。
  論文  参考訳（メタデータ） (2021-04-16T11:51:18Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Learning ODE Models with Qualitative Structure Using Gaussian Processes [0.6882042556551611]
  多くのコンテキストにおいて、明示的なデータ収集は高価であり、学習アルゴリズムはデータ効率が良くなければならない。 スパースガウス過程を用いて微分方程式のベクトル場を学習する手法を提案する。 この組み合わせにより,外挿性能と長期的挙動が大幅に向上し,計算コストの低減が図られる。
  論文  参考訳（メタデータ） (2020-11-10T19:34:07Z)
• Fast Reinforcement Learning with Incremental Gaussian Mixture Models [0.0]
  Incrmental Gaussian Mixture Network (IGMN)と呼ばれる単一パスから学習可能なオンラインおよびインクリメンタルなアルゴリズムが、結合状態とQ値空間のためのサンプル効率関数近似器として採用された。 IGMN関数近似器の使用は、勾配降下法で訓練された従来のニューラルネットワークと比較して、強化学習に重要な利点をもたらすことが観察された。
  論文  参考訳（メタデータ） (2020-11-02T03:18:15Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。