Fugu-MT 論文翻訳(概要): Safe Peeling for L0-Regularized Least-Squares with supplementary material

論文の概要: Safe Peeling for L0-Regularized Least-Squares with supplementary material

arxiv url: http://arxiv.org/abs/2302.14471v3
Date: Mon, 5 Jun 2023 11:59:36 GMT
ステータス: 処理完了
システム内更新日: 2023-06-07 02:36:05.587740
Title: Safe Peeling for L0-Regularized Least-Squares with supplementary material
Title（参考訳）: 補助材料を用いたL0規則化最小二乗の安全ピーリング
Authors: Th\'eo Guyard, Gilles Monnoyer, Cl\'ement Elvira, C\'edric Herzet
Abstract要約: 分岐境界(BnB)アルゴリズムを用いてL0正規化最小二乗問題の解法を高速化する「安全剥離」と呼ばれる新しい手法を提案する。提案手法により,BnB決定木の各ノードで考慮される凸緩和を緩和し,より積極的な刈り取りが可能となる。
参考スコア（独自算出の注目度）: 1.0399530974344655
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a new methodology dubbed ``safe peeling'' to accelerate the resolution of L0-regularized least-squares problems via a Branch-and-Bound (BnB) algorithm. Our procedure enables to tighten the convex relaxation considered at each node of the BnB decision tree and therefore potentially allows for more aggressive pruning. Numerical simulations show that our proposed methodology leads to significant gains in terms of number of nodes explored and overall solving time.s show that our proposed methodology leads to significant gains in terms of number of nodes explored and overall solving time.
Abstract（参考訳）: 分岐境界(BnB)アルゴリズムを用いてL0正規化最小二乗問題の解法を高速化する「安全剥離」と呼ばれる新しい手法を提案する。提案手法により,BnB決定木の各ノードで考慮される凸緩和を緩和し,より積極的な刈り取りが可能となる。数値シミュレーションにより,提案手法が探索対象ノード数,全解時間において有意な向上をもたらし,提案手法が探索対象ノード数,全解時間において有意な向上をもたらすことが示された。

関連論文リスト

Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文参考訳（メタデータ） (2024-08-23T15:02:09Z)
Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
論文参考訳（メタデータ） (2023-12-19T13:17:43Z)
Provably Efficient Exploration in Constrained Reinforcement Learning:Posterior Sampling Is All You Need [15.113053885573171]
本稿では,制約付きマルコフ決定過程(CMDP)における学習のための後方サンプリングに基づく新しいアルゴリズムを提案する。このアルゴリズムは,既存のアルゴリズムと比較して経験的に有利でありながら,ほぼ最適の後悔境界を達成している。
論文参考訳（メタデータ） (2023-09-27T15:48:36Z)
An Optimal Algorithm for the Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit [65.268245109828]
多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。既存のR-CPE-MABの手法は、いわゆるトランスダクティブ線形帯域の特殊な場合と見なすことができる。本稿では,差分探索アルゴリズム (CombGapE) を提案する。
論文参考訳（メタデータ） (2023-06-15T15:37:31Z)
Informed Steiner Trees: Sampling and Pruning for Multi-Goal Path Finding in High Dimensions [6.291017032214274]
本研究では,高次元空間における多目的経路探索問題の解法を提案する。この手法は、探索空間内の選択された領域からのサンプリングポイントと、MGPFのよい解に導かないかもしれない非強調領域との交互に行われる。
論文参考訳（メタデータ） (2022-05-09T20:46:29Z)
Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
マルコフ決定過程における純粋探索問題について検討する。エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
論文参考訳（メタデータ） (2021-06-05T09:16:28Z)
On The Verification of Neural ODEs with Stochastic Guarantees [14.490826225393096]
時間連続型ニューラルネットワークの新興クラスであるneural odesは,グローバル最適化問題の集合を解いて検証できることを示す。密なReachtubeを構築するための抽象化ベースのテクニックであるLagran Reachability(SLR)を紹介する。
論文参考訳（メタデータ） (2020-12-16T11:04:34Z)
Experimental Design for Regret Minimization in Linear Bandits [19.8309784360219]
オンライン・リニア・バンドレットにおける後悔を最小限に抑える設計に基づく新しいアルゴリズムを提案する。我々は、現在最先端の有限時間後悔保証を提供し、このアルゴリズムが帯域幅と半帯域幅の両方のフィードバックシステムに適用可能であることを示す。
論文参考訳（メタデータ） (2020-11-01T17:59:19Z)
An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
論文参考訳（メタデータ） (2020-10-23T09:12:47Z)
Towards Scalable Bayesian Learning of Causal DAGs [16.07721608349973]
我々は,有向非巡回グラフ,DAG,および受動的に観測された完全データから誘導された因果効果のベイズ推定法を提案する。我々の手法は最近のマルコフ連鎖モンテカルロスキームに基づいてベイジアンネットワークを学習する。本稿では,空間と時間要求を大幅に削減するアルゴリズム手法を提案する。
論文参考訳（メタデータ） (2020-09-30T08:46:46Z)
The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
論文参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。