論文の概要: Systematic design space exploration by learning the explored space using Machine Learning

• arxiv url: http://arxiv.org/abs/2303.08249v1
• Date: Tue, 14 Mar 2023 21:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 15:33:47.730089
• Title: Systematic design space exploration by learning the explored space using Machine Learning
• Title（参考訳）: 機械学習を用いた探索空間学習によるシステム設計空間探索
• Authors: Avinash Kumar, Anish Kumar, Sumit Sharma, Surjeet Singh, Kumar Vardhan
• Abstract要約: 我々は、探索されていない領域から既に探索された領域やサンプルを追跡するために、最新の機械学習手法を用いて探索されたデータ空間の学習を利用する。 2次元ユークリッド空間において,本手法とその進行を実証するが,基礎となる手法は汎用的であるため,任意の次元に拡張することができる。
• 参考スコア（独自算出の注目度）: 6.247268652296233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current practice in parameter space exploration in euclidean space is dominated by randomized sampling or design of experiment methods. The biggest issue with these methods is not keeping track of what part of parameter space has been explored and what has not. In this context, we utilize the geometric learning of explored data space using modern machine learning methods to keep track of already explored regions and samples from the regions that are unexplored. For this purpose, we use a modified version of a robust random-cut forest along with other heuristic-based approaches. We demonstrate our method and its progression in two-dimensional Euclidean space but it can be extended to any dimension since the underlying method is generic.
• Abstract（参考訳）: ユークリッド空間におけるパラメータ空間探索の現在の実践はランダム化サンプリングや実験手法の設計によって支配されている。 これらの方法の最大の問題は、パラメータ空間のどの部分が探索され、何が探索されていないかを追跡しないことである。 この文脈では、現代の機械学習手法を用いて探索されたデータ空間の幾何学的学習を利用して、未探索領域から既に探索済みの領域とサンプルを追跡する。 この目的のために、我々は、他のヒューリスティックなアプローチとともに、ロバストなランダムカット森林の修正版を使用する。 本手法と2次元ユークリッド空間におけるその進行を実演するが、基礎となる手法が一般的であるため任意の次元に拡張できる。

関連論文リスト

• Mixed-Curvature Decision Trees and Random Forests [0.6656737591902598]
  決定木とランダムフォレストアルゴリズムを積空間多様体に拡張する。 本手法は積多様体の分類と回帰のための単純で表現力豊かな方法を実現する。 実装と実験のコードはhttps://github.com/pchlenski/embedders.comで公開されている。
  論文  参考訳（メタデータ） (2024-06-07T19:29:55Z)
• Neural Modes: Self-supervised Learning of Nonlinear Modal Subspaces [24.15874821482212]
  実時間シミュレーションのための物理に基づく部分空間学習のための自己教師型アプローチを提案する。 本手法は, 物理平衡制約を反映した学習部分空間を導出し, 従来の手法の過度に適合する問題を解き, 解釈可能な潜在空間パラメータを提供することを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:12:37Z)
• Leveraging Optimal Transport via Projections on Subspaces for Machine Learning Applications [0.0]
  この論文では、部分空間上の射影を利用する代替に焦点をあてる。 そのような代替案の主なものはスリケード=ヴァッサーシュタイン距離である。 確率測度間の元のユークリッドスライス-ワッサーシュタイン距離に遡り、勾配流のダイナミクスを研究する。
  論文  参考訳（メタデータ） (2023-11-23T10:13:07Z)
• Exploring Data Geometry for Continual Learning [64.4358878435983]
  非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。 提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。 実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-08T06:35:25Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic Approach to Manifold Dimension Estimation [92.81218653234669]
  本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。 我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。 実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
  論文  参考訳（メタデータ） (2021-07-08T15:35:54Z)
• Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
  我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。 そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2021-06-22T19:51:59Z)
• Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
  製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。 我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。 知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-17T11:06:59Z)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• A New Similarity Space Tailored for Supervised Deep Metric Learning [2.7771471571972333]
  本稿では,S空間と呼ばれる潜在空間に基づく新しい深度距離学習法を提案する。 カーネルベースのt-student分布を用いてオブジェクト間の類似性を推定し、マーカーの距離と新しいデータ表現を測定する。 例えば、類似した対象の群が非随伴領域にある場合、この提案が複素空間を表現できるという証拠を示す。
  論文  参考訳（メタデータ） (2020-11-16T22:58:06Z)
• Exploration in Action Space [20.514187001523347]
  ブラックボックス最適化は、継続的制御強化学習領域における最先端のアプローチより優れていることが示されている。 強化学習問題を解くのに必要なパラメトリックな複雑さが、作用空間次元と地平線長の積よりも大きい場合、作用空間における探索が好ましいことを示す。
  論文  参考訳（メタデータ） (2020-03-31T01:27:22Z)

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。