論文の概要: One-step learning algorithm selection for classification via convolutional neural networks

• arxiv url: http://arxiv.org/abs/2305.09101v2
• Date: Sat, 23 Aug 2025 13:16:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:44.919458
• Title: One-step learning algorithm selection for classification via convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークによる分類のための一段階学習アルゴリズムの選択
• Authors: Sebastian Maldonado, Carla Vairetti, Ignacio Figueroa,
• Abstract要約: 畳み込みニューラルネットワークをバイナリ分類のためのデータセットで直接訓練する一段階のスキームが提案されている。 目的は、メタ機能を明確に識別することなく、データの基盤構造を学習することである。 シミュレーションデータセットを用いた実験により, 提案手法は線形パターンと非線形パターンの両方を同定する上で, ほぼ完璧な性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 1.6631602844999722
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As with any task, the process of building machine learning models can benefit from prior experience. Meta-learning for classifier selection leverages knowledge about the characteristics of different datasets and/or the past performance of machine learning techniques to inform better decisions in the current modeling process. Traditional meta-learning approaches first collect metadata that describe this prior experience and then use it as input for an algorithm selection model. In this paper, however, a one-step scheme is proposed in which convolutional neural networks are trained directly on tabular datasets for binary classification. The aim is to learn the underlying structure of the data without the need to explicitly identify meta-features. Experiments with simulated datasets show that the proposed approach achieves near-perfect performance in identifying both linear and nonlinear patterns, outperforming the conventional two-step method based on meta-features. The method is further applied to real-world datasets, providing recommendations on the most suitable classifiers based on the data's inherent structure.
• Abstract（参考訳）: どんなタスクでもそうですが、機械学習モデルを構築するプロセスは、事前の経験から恩恵を受けます。 分類器選択のためのメタラーニングは、異なるデータセットの特徴や過去の機械学習技術のパフォーマンスに関する知識を活用して、現在のモデリングプロセスにおけるより良い意思決定を知らせる。 従来のメタ学習アプローチは、まずこの以前の経験を記述したメタデータを収集し、アルゴリズム選択モデルの入力として使用する。 本稿では,畳み込みニューラルネットワークを2進分類のための表付きデータセット上で直接訓練する一段階の手法を提案する。 目的は、メタ機能を明確に識別することなく、データの基盤構造を学習することである。 シミュレーションデータセットを用いた実験により, 提案手法は線形パターンと非線形パターンの両方を同定し, メタ機能に基づく従来の2段階法よりも優れていることがわかった。 この手法は実世界のデータセットにも適用され、データ固有の構造に基づいて最も適切な分類器を推奨する。

関連論文リスト

• Meta-learning Representations for Learning from Multiple Annotators [40.886894995806955]
  本稿では,複数の雑音アノテータから学習するメタラーニング手法を提案する。 提案手法は,ニューラルネットワークを用いてタスク中の各例を潜在空間に埋め込む。 合成ノイズと実世界のクラウドソーシングデータセットを用いた実世界のデータセットを用いて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-06-12T00:58:37Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• Towards Machine Unlearning Benchmarks: Forgetting the Personal Identities in Facial Recognition Systems [4.985768723667418]
  本研究では,モデルの本来のタスクを維持しつつ,個人のプライバシ(アイデンティティ)を含む特定のインスタンスを解放することを目的とした機械学習環境を提案する。 具体的には、MUCACとMUFACの2つの機械学習ベンチマークデータセットを提案し、機械学習アルゴリズムの性能と堅牢性を評価するのに非常に有用である。
  論文  参考訳（メタデータ） (2023-11-03T21:00:32Z)
• Clustering Indices based Automatic Classification Model Selection [16.096824533334352]
  そこで本研究では,候補モデルクラスから自動分類モデル選択を行う手法を提案する。 データセットクラスタリング指標を計算し、学習した回帰器を用いて予測された分類性能を直接予測する。 また,モデル選択法に基づくデータ分類のためのエンドツーエンド自動MLシステムを提案する。
  論文  参考訳（メタデータ） (2023-05-23T10:52:37Z)
• Which is the best model for my data? [0.0]
  提案されたメタ学習アプローチは、機械学習に依存し、4つの主要なステップを含む。 本稿では,正と負の測度を含む集約測度値において,情報消去の問題に対処する62のメタ特徴の集合について述べる。 我々のメタ学習アプローチは、合成データセットの91%と実世界のデータセットの87%に対して、最適なモデルを正確に予測できることを示します。
  論文  参考訳（メタデータ） (2022-10-26T13:15:43Z)
• Automated Algorithm Selection: from Feature-Based to Feature-Free Approaches [0.5801044612920815]
  本稿では,データ中に暗黙的なシーケンシャル情報がカプセル化されている最適化に適用可能な,アルゴリズム選択のための新しい手法を提案する。 我々は、よく知られた4つのドメインから選択して、オンラインビンパッキングのパッキングを予測するために、2種類のリカレントニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2022-03-24T23:59:50Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• Probabilistic Active Meta-Learning [15.432006404678981]
  先行経験に基づくタスク選択をメタ学習アルゴリズムに導入する。 シミュレーションロボット実験の強いベースラインと比較して,本手法がデータ効率を向上させるという実証的証拠を提供する。
  論文  参考訳（メタデータ） (2020-07-17T12:51:42Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。