論文の概要: SPINEX: Similarity-based Predictions and Explainable Neighbors Exploration for Regression and Classification Tasks in Machine Learning

• arxiv url: http://arxiv.org/abs/2306.01029v1
• Date: Thu, 1 Jun 2023 14:40:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 18:30:29.705022
• Title: SPINEX: Similarity-based Predictions and Explainable Neighbors Exploration for Regression and Classification Tasks in Machine Learning
• Title（参考訳）: SPINEX: 機械学習における回帰・分類タスクの類似性に基づく予測と説明可能な近傍探索
• Authors: M.Z. Naser, M.K. albashiti, A.Z. Naser
• Abstract要約: 本稿では,新しい類似性に基づく解釈可能な近傍探索アルゴリズムであるSPINEXを提案する。 アンサンブル学習と機能相互作用分析を組み合わせて、正確な予測と意味のある洞察を達成する。 その結果、SPINEXは比較性能を達成でき、いくつかのシナリオでは、一般的に採用されているMLアルゴリズムよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.5469452301122175
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The field of machine learning (ML) has witnessed significant advancements in recent years. However, many existing algorithms lack interpretability and struggle with high-dimensional and imbalanced data. This paper proposes SPINEX, a novel similarity-based interpretable neighbor exploration algorithm designed to address these limitations. This algorithm combines ensemble learning and feature interaction analysis to achieve accurate predictions and meaningful insights by quantifying each feature's contribution to predictions and identifying interactions between features, thereby enhancing the interpretability of the algorithm. To evaluate the performance of SPINEX, extensive experiments on 59 synthetic and real datasets were conducted for both regression and classification tasks. The results demonstrate that SPINEX achieves comparative performance and, in some scenarios, may outperform commonly adopted ML algorithms. The same findings demonstrate the effectiveness and competitiveness of SPINEX, making it a promising approach for various real-world applications.
• Abstract（参考訳）: 機械学習(ML)の分野は近年大きく進歩している。 しかし、多くの既存のアルゴリズムは解釈可能性に欠け、高次元と不均衡なデータを扱う。 本稿では,これらの制約に対処する新しい類似性に基づく解釈可能な近接探索アルゴリズムSPINEXを提案する。 このアルゴリズムは、アンサンブル学習と特徴インタラクション分析を組み合わせて、各特徴の予測への寄与を定量化し、特徴間の相互作用を識別することにより、正確な予測と有意義な洞察を実現する。 SPINEXの性能を評価するため,回帰処理と分類処理の両方において59種類の合成データセットと実データセットについて広範な実験を行った。 その結果、SPINEXは比較性能を達成でき、いくつかのシナリオでは、一般的に採用されているMLアルゴリズムよりも優れていることが示された。 同じ知見はSPINEXの有効性と競争力を示し、様々な実世界のアプリケーションに有望なアプローチである。

関連論文リスト

• SPINEX_ Symbolic Regression: Similarity-based Symbolic Regression with Explainable Neighbors Exploration [3.2432648012273346]
  本稿では,SPINEX(Similarity-based Predictions with Explainable Neighbors Exploration)ファミリに基づく新しいシンボリック回帰アルゴリズムを提案する。 精度と構造的類似度を満足する高マート表現を識別するために、類似性に基づくアプローチを採用する。 一貫してパフォーマンスが良く、場合によってはリードアルゴリズムよりも優れています。
  論文  参考訳（メタデータ） (2024-11-05T00:09:29Z)
• SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems [3.2432648012273346]
  本稿では,時系列と予測解析に特化したSPINEXファミリーを新たに導入する。 総合的なベンチマーク実験を行い、18のアルゴリズムと49の合成データセットと実データセットを比較した。 以上の結果から,SPINEXは精度の予測において常に上位5人のパフォーマーにランクされ,複雑な時間的ダイナミクスを扱う能力に優れていた。
  論文  参考訳（メタデータ） (2024-08-04T22:26:34Z)
• SPINEX-Clustering: Similarity-based Predictions with Explainable Neighbors Exploration for Clustering Problems [3.2432648012273346]
  本稿ではSPINEXアルゴリズムファミリからの新しいクラスタリングアルゴリズムを提案する。 新たに提案されたクラスタリング変種は、複数のサブスペースにまたがる類似性と高次相互作用の概念を活用して、データをクラスタにグループ化する。 以上の結果から,SPINEXのクラスタリングアルゴリズムは,上位5位以内のクラスタリングアルゴリズムより優れ,難易度が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-07-09T20:38:01Z)
• SPINEX: Similarity-based Predictions with Explainable Neighbors Exploration for Anomaly and Outlier Detection [3.2432648012273346]
  本稿ではSPINEXファミリーの異常・異常検出アルゴリズムを提案する。 複数の部分空間にまたがる類似性や高次相互作用の概念を活用して、外接点を同定する。 SPINEXの性能を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-07-05T17:42:09Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Multi-level Contrast Network for Wearables-based Joint Activity Segmentation and Recognition [10.828099015828693]
  ウェアラブルを用いたヒューマンアクティビティ認識(HAR)は、多くのスマートヘルスケアアプリケーションで広く採用可能な、有望な研究である。 ほとんどのHARアルゴリズムは、必要不可欠なが滅多に悪用されないマルチクラスウィンドウ問題の影響を受けやすい。 我々は,HARにセグメンテーション技術を導入し,共同活動セグメンテーションと認識を実現した。
  論文  参考訳（メタデータ） (2022-08-16T05:39:02Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)

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。