論文の概要: A Novel Memetic Strategy for Optimized Learning of Classification Trees

• arxiv url: http://arxiv.org/abs/2305.07959v1
• Date: Sat, 13 May 2023 16:29:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 18:41:00.596478
• Title: A Novel Memetic Strategy for Optimized Learning of Classification Trees
• Title（参考訳）: 分類木の最適学習のための新しいメメティック戦略
• Authors: Tommaso Aldinucci
• Abstract要約: 本稿では,数千点のデータセットを処理可能なメメカティックな手法を用いて,分類木を誘導するための新しい進化的アルゴリズムを提案する。 提案手法は,実現可能な解空間の探索と局所探索を組み合わせることで,最先端手法と競合する一般化能力を持つ構造を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the increasing interest in interpretable machine learning, classification trees have again attracted the attention of the scientific community because of their glass-box structure. These models are usually built using greedy procedures, solving subproblems to find cuts in the feature space that minimize some impurity measures. In contrast to this standard greedy approach and to the recent advances in the definition of the learning problem through MILP-based exact formulations, in this paper we propose a novel evolutionary algorithm for the induction of classification trees that exploits a memetic approach that is able to handle datasets with thousands of points. Our procedure combines the exploration of the feasible space of solutions with local searches to obtain structures with generalization capabilities that are competitive with the state-of-the-art methods.
• Abstract（参考訳）: 解釈可能な機械学習への関心が高まる中、分類木はそのガラス箱構造のために再び科学界の注目を集めてきた。 これらのモデルは、通常、不純物対策を最小化する特徴空間の切断を見つけるためにサブプロブレムを解く、欲求手続きを用いて構築される。 本稿では,milpに基づく厳密な定式化による学習問題の定義において,この標準的欲望アプローチや近年の進歩とは対照的に,数千点のデータセットを処理可能なミーム的手法を活用し,分類木を誘導するための新しい進化的アルゴリズムを提案する。 提案手法は,実現可能な解空間の探索と局所探索を組み合わせることで,最先端手法と競合する一般化能力を持つ構造を得る。

関連論文リスト

• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• The tree reconstruction game: phylogenetic reconstruction using reinforcement learning [30.114112337828875]
  本研究では,系統樹の再構築に挑戦する強化学習アルゴリズムを提案する。 本研究では,強化学習を用いて最適な探索戦略を学習できることを実証する。 以上の結果から, 推定された系統の確率スコアは, 広く使われているソフトウェアと類似していることが示唆された。
  論文  参考訳（メタデータ） (2023-03-12T16:19:06Z)
• Supervised Dimensionality Reduction and Classification with Convolutional Autoencoders [1.1164202369517053]
  畳み込みオートエンコーダを組み合わせることで、教師付き次元の減少と予測を同時に生成する。 結果として得られるラテント空間は、伝統的な解釈可能な分類アルゴリズムを改善するために利用することができる。 提案手法は, 生成した潜在空間を通してのデータ構造だけでなく, 分類行動についても, 高度な説明可能性を導入している。
  論文  参考訳（メタデータ） (2022-08-25T15:18:33Z)
• United We Learn Better: Harvesting Learning Improvements From Class Hierarchies Across Tasks [9.687531080021813]
  本稿では,確率と集合論に基づいて,親の予測と階層的損失を抽出する理論的枠組みを提案する。 その結果、分類と検出のベンチマークにまたがって結果が示され、シグモイドに基づく検出アーキテクチャの階層的学習の可能性が開かれた。
  論文  参考訳（メタデータ） (2021-07-28T20:25:37Z)
• Probabilistic DAG Search [29.47649645431227]
  探索空間の潜伏構造を利用して探索木間で情報を共有するための確率的フレームワークを開発する。 我々は、Tic-Tac-Toeの既存の非確率的代替品と特徴選択アプリケーションとを比較検討するアルゴリズムを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-16T11:35:19Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• Unsupervised Embedding of Hierarchical Structure in Euclidean Space [30.507049058838025]
  我々は、集約アルゴリズムによって生成される階層的クラスタリングを改善する方法として、ユークリッド空間にデータの非線形埋め込みを学習することを検討する。 遅延空間埋め込みの再スケーリングはデンドログラムの純度とモーゼリー・ワングのコスト関数の改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-30T03:57:09Z)
• Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
  我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。 この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
  論文  参考訳（メタデータ） (2020-06-13T16:10:03Z)
• Parameterizing Branch-and-Bound Search Trees to Learn Branching Policies [76.83991682238666]
  Branch and Bound (B&B) は、Mixed-Integer Linear Programming Problem (MILP) の解法として一般的に用いられる木探索法である。 本稿では,新しい模倣学習フレームワークを提案し,分岐を表現するための新しい入力機能とアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-12T17:43:23Z)
• Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
  本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。 これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。 学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
  論文  参考訳（メタデータ） (2020-01-18T06:23:18Z)

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。