論文の概要: Data-driven multinomial random forest: A new random forest variant with
strong consistency
- arxiv url: http://arxiv.org/abs/2211.15154v2
- Date: Mon, 16 Oct 2023 13:49:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 06:29:13.112527
- Title: Data-driven multinomial random forest: A new random forest variant with
strong consistency
- Title(参考訳): データ駆動型多項ランダムフォレスト:強い一貫性を持つ新しいランダムフォレスト変種
- Authors: JunHao Chen
- Abstract要約: 我々は、以前弱一貫したランダム森林の証明法を強一貫した証明法に修正する。
データ駆動型多相ランダムフォレスト(DMRF)を提案する。
- 参考スコア(独自算出の注目度): 1.2147145617662436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we modify the proof methods of some previously weakly
consistent variants of random forests into strongly consistent proof methods,
and improve the data utilization of these variants in order to obtain better
theoretical properties and experimental performance. In addition, we propose a
data-driven multinomial random forest (DMRF), which has the same complexity
with BreimanRF (proposed by Breiman) while satisfying strong consistency with
probability 1. It has better performance in classification and regression
problems than previous RF variants that only satisfy weak consistency, and in
most cases even surpasses BreimanRF in classification tasks. To the best of our
knowledge, DMRF is currently a low-complexity and high-performing variation of
random forests that achieves strong consistency with probability 1.
- Abstract(参考訳): そこで本稿では, 従来, 弱弱無害な森林変種の証明法を, 強く一貫した証明法に修正し, それらの変種のデータ利用を改良して, より良い理論的特性と実験性能を得る。
さらに,データ駆動型多項ランダムフォレスト(dmrf)を提案する。これはbreimanrf(breimanが提案する)と同等の複雑性を持ち,確率1と強い一貫性を満足する。
分類および回帰問題において、弱い一貫性しか満たさない以前のRF変種よりも優れた性能を示し、ほとんどの場合、分類タスクにおいてブレイマンRFを超えている。
我々の知る限り、DMRFは現在、確率1と強い整合性を達成するランダム森林の低複雑さで高いパフォーマンスの変動である。
関連論文リスト
- Exogenous Randomness Empowering Random Forests [4.396860522241306]
平均二乗誤差(MSE)を個々の木と森林の両方に対して非漸近展開する。
以上の結果から,サブサンプリングは個々の樹木に比べて,ランダム林の偏りや分散を減少させることが明らかとなった。
ノイズ特性の存在は、ランダムな森林の性能を高める上で「祝福」として機能する。
論文 参考訳(メタデータ) (2024-11-12T05:06:10Z) - Adaptive Split Balancing for Optimal Random Forest [8.916614661563893]
そこで本研究では,新しい適応型分割バランス法を用いて木を構築するランダムフォレストアルゴリズムを提案する。
本手法は,データから木構造を適応的に学習しながら,シンプルでスムーズなシナリオで最適性を実現する。
論文 参考訳(メタデータ) (2024-02-17T09:10:40Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - Implicitly normalized forecaster with clipping for linear and non-linear
heavy-tailed multi-armed bandits [85.27420062094086]
Implicitly Normalized Forecaster (INF) は、敵対的マルチアームバンディット(MAB)問題に対する最適解であると考えられている。
重み付き設定のMAB問題に対するクリッピング(INFclip)を用いたINFの新バージョン"Implicitly Normalized Forecaster"を提案する。
INFclipは線形重み付きMAB問題に対して最適であり、非線形問題に対して有効であることを示す。
論文 参考訳(メタデータ) (2023-05-11T12:00:43Z) - Data-driven multinomial random forest [2.1828601975620257]
本稿では,データ駆動型マルチノミアルランダムフォレスト(DMRF)アルゴリズムを提案する。
我々の知る限り、DMRFは現在アルゴリズムの複雑さが低い最も優れた一貫性のあるRF変種である。
論文 参考訳(メタデータ) (2023-04-09T14:04:56Z) - SmoothMix: Training Confidence-calibrated Smoothed Classifiers for
Certified Robustness [61.212486108346695]
自己混合によるスムーズな分類器のロバスト性を制御するためのトレーニングスキームSmoothMixを提案する。
提案手法は, 厳密性に制限された原因として, 信頼性の低い, オフクラスに近いサンプルを効果的に同定する。
提案手法はスムーズな分類器の検証値である$ell$-robustnessを大幅に改善できることを示す。
論文 参考訳(メタデータ) (2021-11-17T18:20:59Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳(メタデータ) (2021-11-11T14:28:12Z) - Learning generative models for valid knockoffs using novel
multivariate-rank based statistics [12.528602250193206]
ランクエネルギー (RE) は、Monge's Optimal Transport (OT) 問題における最適写像を特徴付ける理論的結果を用いて導出される。
我々は、ソフトランクエネルギー(sRE)と呼ばれるREの変種と、ソフトランク最大平均誤差(sRMMD)と呼ばれるカーネル変種を提案する。
次に、sRMMDを用いて深いノックオフを生成し、有効なノックオフを生成するための新規かつ効果的な方法であることを示す。
論文 参考訳(メタデータ) (2021-10-29T18:51:19Z) - Towards Robust Classification with Deep Generative Forests [13.096855747795303]
決定木とランダムフォレストは最も広く使われている機械学習モデルの一つである。
主に識別モデルであるため、予測の不確実性を操作するための原則的な方法が欠けている。
我々はジェネレーティブフォレスト(GeF)を利用してランダムフォレストを特徴空間上の全関節分布を表す生成モデルに拡張する。
論文 参考訳(メタデータ) (2020-07-11T08:57:52Z) - Lower bounds in multiple testing: A framework based on derandomized
proxies [107.69746750639584]
本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。
これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
論文 参考訳(メタデータ) (2020-05-07T19:59:51Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳(メタデータ) (2020-02-07T21:28:30Z)
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。