Fugu-MT 論文翻訳(概要): Data-driven multinomial random forest

論文の概要: Data-driven multinomial random forest

arxiv url: http://arxiv.org/abs/2304.04240v1
Date: Sun, 9 Apr 2023 14:04:56 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 16:52:10.357591
Title: Data-driven multinomial random forest
Title（参考訳）: データ駆動型マルチノミアルランダム森林
Authors: Junhao Chen, Xueli wang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.1828601975620257
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this article, we strengthen 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, based on the multinomial random forest (MRF) and Bernoulli random forest (BRF), we propose a data-driven multinomial random forest (DMRF) algorithm, which has lower complexity than MRF and higher complexity than BRF while satisfying strong consistency. It has better performance in classification and regression problems than previous RF variants that only satisfy weak consistency, and in most cases even surpasses standard random forest. To the best of our knowledge, DMRF is currently the most excellent strongly consistent RF variant with low algorithm complexity
Abstract（参考訳）: 本稿では,従来は弱弱弱弱無害な森林の証明手法を強固に一貫した証明手法に強化し,これらの変種のデータ利用を改善して,より優れた理論的特性と実験性能を得る。さらに,多項ランダムフォレスト (mrf) とベルヌーイランダムフォレスト (brf) に基づいて,データ駆動多項ランダムフォレスト (dmrf) アルゴリズムを提案する。分類や回帰の問題は、弱い一貫性しか満たさない以前のRF変種よりも優れており、ほとんどの場合、標準的なランダムフォレストを超えている。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。

関連論文リスト

BOND: Aligning LLMs with Best-of-N Distillation [63.254031574394965]
BOND(Best-of-N Distillation)は,Best-of-Nをエミュレートする新しいRLHFアルゴリズムである。具体的には、BONDは、ポリシーから世代分布をBest-of-N分布に近づけるように強制する分布マッチングアルゴリズムである。本稿では,抽象的な要約モデルとGemmaモデルの実験を通じて,提案手法の有効性といくつかの設計選択を実証する。
論文参考訳（メタデータ） (2024-07-19T18:38:25Z)
A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees [5.831659043074847]
直観主義的ファジィ決定木(IFDT)のランダム森林アンサンブルを提案する。提案手法は,ブートストラップサンプリングと特徴選択からランダム性のパワーを享受する。本研究は,直観的ファジィ理論に基づくランダムな森林アンサンブルを提案する最初の試みである。
論文参考訳（メタデータ） (2024-03-12T06:52:24Z)
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)
Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-12-08T16:06:29Z)
Optimal Weighted Random Forests [8.962539518822684]
ランダムフォレスト(RF)アルゴリズムは、その優れた柔軟性と有望な精度の予測方法として、非常に一般的なものとなっている。 1段重み付きRF(1step-WRF$_mathrmopt$)と2段重み付きRF(2steps-WRF$_mathrmopt$)という2つの最適アルゴリズムを提案する。実世界のデータセットで行った数値研究は、これらのアルゴリズムが既存の文献で提案されている等重量の森林と他の2つの重み付きRFよりも優れていることを示している。
論文参考訳（メタデータ） (2023-05-17T08:36:43Z)
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: A new random forest variant with strong consistency [1.2147145617662436]
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。
論文参考訳（メタデータ） (2022-11-28T09:08:23Z)
Sequential Permutation Testing of Random Forest Variable Importance Measures [68.8204255655161]
そこで本研究では、逐次置換テストと逐次p値推定を用いて、従来の置換テストに関連する高い計算コストを削減することを提案する。シミュレーション研究の結果、シーケンシャルテストの理論的性質が当てはまることを確認した。本手法の数値安定性を2つの応用研究で検討した。
論文参考訳（メタデータ） (2022-06-02T20:16:50Z)
Mixed Variable Bayesian Optimization with Frequency Modulated Kernels [96.78099706164747]
異なる種類の変数間の依存性を柔軟にモデリングする周波数変調(FM)カーネルを提案する。 BO-FMは正規化進化(RE)およびBOHBを含む競争相手を上回ります。
論文参考訳（メタデータ） (2021-02-25T11:28:46Z)
Crossbreeding in Random Forest [5.8010446129208155]
エンサンブル学習方法は、より良い予測性能のための複数の学習アルゴリズムの恩恵を受けるように設計されています。この改良された性能のトレードオフは、シングルラーニングシステムと比較して、より遅い速度とより大きいアンサンブル学習システムである。本稿では,最も強力なアンサンブル手法の1つとして,ランダムフォレスト(RF)でこの問題に対処する新しい手法を提案する。
論文参考訳（メタデータ） (2021-01-21T12:58:54Z)
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)

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。