Fugu-MT 論文翻訳(概要): The Impossibility of Parallelizing Boosting

論文の概要: The Impossibility of Parallelizing Boosting

arxiv url: http://arxiv.org/abs/2301.09627v2
Date: Sat, 25 Mar 2023 08:13:08 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 00:54:40.891351
Title: The Impossibility of Parallelizing Boosting
Title（参考訳）: 並列化ブースティングの可能性
Authors: Amin Karbasi, Kasper Green Larsen
Abstract要約: 並列化促進の可能性について検討する。私たちの主な貢献は強い負の結果であり、トレーニングに必要なコンピューティングリソースの総量に対して、大幅な並列化が急激な爆発を必要としていることを示唆している。
参考スコア（独自算出の注目度）: 47.21831192470507
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The aim of boosting is to convert a sequence of weak learners into a strong learner. At their heart, these methods are fully sequential. In this paper, we investigate the possibility of parallelizing boosting. Our main contribution is a strong negative result, implying that significant parallelization of boosting requires an exponential blow-up in the total computing resources needed for training.
Abstract（参考訳）: 強化の目的は、弱い学習者の列を強い学習者に変換することである。彼らの心では、これらの方法は完全にシーケンシャルです。本稿では,並列化促進の可能性を検討する。私たちの主な貢献は強い負の結果であり、トレーニングに必要なコンピューティングリソースの総量に対して、大幅な並列化が必要であることを示唆している。

関連論文リスト

How to Boost Any Loss Function [63.573324901948716]
損失関数はブースティングにより最適化可能であることを示す。また、古典的な$0の注文設定でまだ不可能な成果を達成できることも示しています。
論文参考訳（メタデータ） (2024-07-02T14:08:23Z)
Multiclass Boosting: Simple and Intuitive Weak Learning Criteria [72.71096438538254]
実現可能性の仮定を必要としない,単純かつ効率的なブースティングアルゴリズムを提案する。本稿では,リスト学習者の向上に関する新たな結果と,マルチクラスPAC学習の特徴付けのための新しい証明を提案する。
論文参考訳（メタデータ） (2023-07-02T19:26:58Z)
AdaBoost is not an Optimal Weak to Strong Learner [11.003568749905359]
AdaBoostのサンプルの複雑さや他の古典的なバリエーションは、強学習者の所望の精度において、少なくとも1つの対数係数によって最適以下であることが示される。
論文参考訳（メタデータ） (2023-01-27T07:37:51Z)
Quantum Boosting using Domain-Partitioning Hypotheses [0.9264464791978363]
ブースティングは、弱い学習者をPAC学習フレームワークの強力な学習者に変換するアンサンブル学習法である。 Q-RealBoostは、弱い学習者のバイアスと弱い学習者がターゲット概念クラスを学習するのに要する時間の両方の観点から、Q-AdaBoostを高速化することを示した。
論文参考訳（メタデータ） (2021-10-25T10:46:13Z)
MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。正規化最大度(NML)分布の計算法を提案する。得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文参考訳（メタデータ） (2021-07-15T08:19:57Z)
The Success of AdaBoost and Its Application in Portfolio Management [0.6562256987706128]
AdaBoostが成功した分類器である理由を説明するための新しいアプローチを開発する。バイナリ分類問題に対するトレーニングデータにおけるノイズポイント(ION)の影響の尺度を導入することにより、IONとテストエラーとの間に強い関係があることを証明します。 adaboostを中国市場における実証研究を通じてポートフォリオ管理に適用し,理論的な提案を裏付ける。
論文参考訳（メタデータ） (2021-03-23T06:41:42Z)
ADABOOK & MULTIBOOK: Adaptive Boosting with Chance Correction [3.7819322027528113]
弱い学習者は、より説得力のある確率補正措置の軽減に精度を最適化することが可能であり、この場合ブースターは早すぎる可能性がある。そこで本稿は, 確率補正尺度の活用の必要性を示す理論的研究を補完するものであり, 確率補正尺度の活用が向上することを示す実証的な研究である。
論文参考訳（メタデータ） (2020-10-11T01:17:32Z)
Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。 ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
論文参考訳（メタデータ） (2020-07-23T17:59:57Z)
Boosting algorithms in energy research: A systematic review [0.0]
ブースティングアルゴリズムは高い柔軟性と高い解釈性の両方が特徴である。エネルギー分野の大幅な進歩は可能でありながら、これまでブーピングが過小評価されていることを示す。
論文参考訳（メタデータ） (2020-04-01T18:03:26Z)
On the Dual Formulation of Boosting Algorithms [92.74617630106559]
AdaBoost,LogitBoost,Soft-marginBoostのラグランジュ問題は、すべて一般化されたヒンジ損失エントロピーの双対問題であることを示す。これらのブースティングアルゴリズムの2つの問題を見て、より良いマージン分布を維持するという観点から、ブースティングの成功を理解することができることを示す。
論文参考訳（メタデータ） (2009-01-23T02:14:42Z)

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。