Fugu-MT 論文翻訳(概要): Quantum computer based Feature Selection in Machine Learning

論文の概要: Quantum computer based Feature Selection in Machine Learning

arxiv url: http://arxiv.org/abs/2306.10591v1
Date: Sun, 18 Jun 2023 15:58:34 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 19:44:23.536619
Title: Quantum computer based Feature Selection in Machine Learning
Title（参考訳）: 量子コンピュータを用いた機械学習における特徴選択
Authors: Gerhard Hellstern, Vanessa Dehn, Martin Zaefferer
Abstract要約: 特徴選択タスクを2次非制約最適化問題(QUBO)として扱う。異なる結果と小さな問題設定を比較した。継続するエラー率のため、古典的な最適化手法は依然として優れている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The problem of selecting an appropriate number of features in supervised learning problems is investigated in this paper. Starting with common methods in machine learning, we treat the feature selection task as a quadratic unconstrained optimization problem (QUBO), which can be tackled with classical numerical methods as well as within a quantum computing framework. We compare the different results in small-sized problem setups. According to the results of our study, whether the QUBO method outperforms other feature selection methods depends on the data set. In an extension to a larger data set with 27 features, we compare the convergence behavior of the QUBO methods via quantum computing with classical stochastic optimization methods. Due to persisting error rates, the classical stochastic optimization methods are still superior.
Abstract（参考訳）: 本稿では,教師付き学習問題における適切な特徴数を選択する問題について検討する。機械学習の一般的な手法を出発点として、特徴選択タスクを古典的数値手法や量子計算フレームワークで扱うことができる二次的非拘束最適化問題(qubo)として扱う。異なる結果と小さな問題設定を比較した。本研究の結果から,QUBO法が他の特徴選択法より優れているか否かは,データセットに依存することがわかった。 27の特徴を持つより大きなデータセットの拡張として、量子コンピューティングによるQUBO法の収束挙動と古典的確率的最適化法を比較する。誤差率の持続により、古典確率最適化法は依然として優れている。

関連論文リスト

Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2024-09-07T19:52:14Z)
Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2023-11-22T01:32:06Z)
Contextual Stochastic Bilevel Optimization [50.36775806399861]
文脈情報と上層変数の期待を最小化する2レベル最適化フレームワークCSBOを導入する。メタラーニング、パーソナライズドラーニング、エンド・ツー・エンドラーニング、Wassersteinはサイド情報(WDRO-SI)を分散的に最適化している。
論文参考訳（メタデータ） (2023-10-27T23:24:37Z)
Bilevel Optimization for Feature Selection in the Data-Driven Newsvendor Problem [8.281391209717105]
本稿では、意思決定者が過去のデータにアクセス可能な機能ベースのニュースベンダー問題について検討する。そこで本研究では,スパースモデル,説明可能なモデル,およびアウト・オブ・サンプル性能の改善を目的とした特徴選択について検討する。本稿では,2レベルプログラムに対する混合整数線形プログラムの修正について述べる。
論文参考訳（メタデータ） (2022-09-12T08:52:26Z)
Variational quantum algorithm for unconstrained black box binary optimization: Application to feature selection [1.9182522142368683]
制約のないブラックボックス二項問題の解法として,変分量子アルゴリズムを提案する。これは最適化のための量子アルゴリズムの典型的な設定とは対照的である。提案手法は,従来の特徴選択手法よりも競争力があり,性能も向上していることを示す。
論文参考訳（メタデータ） (2022-05-06T07:02:15Z)
Quantum Feature Selection [2.5934039615414615]
機械学習では、より少ない機能がモデルの複雑さを減少させる。本稿では,2次非制約二元最適化問題に基づく特徴選択アルゴリズムを提案する。反復法や欲求法とは対照的に、我々の直接的なアプローチは高品質な解をもたらす。
論文参考訳（メタデータ） (2022-03-24T16:22:25Z)
Post-selection inference with HSIC-Lasso [19.928884107444908]
本稿では,多面体補題と混在するガウスの枠組みを用いた選択的推論手法を提案する。次に,計算コストの低いアルゴリズムを開発し,正規化パラメータの選択を行う。提案手法の性能は, 実世界のデータベース実験と実世界のデータベース実験の両方で説明され, サンプルサイズが小さい場合でも, タイプI誤差の厳密な制御を強調した。
論文参考訳（メタデータ） (2020-10-29T15:10:21Z)
A novel embedded min-max approach for feature selection in nonlinear support vector machine classification [0.0]
min-max最適化問題に基づく組込み特徴選択法を提案する。双対性理論を活用することにより、min-max問題を等価に修正し、それ以上のアドを伴わずに解決する。提案手法の効率性と有用性は,いくつかのベンチマークデータセットで検証される。
論文参考訳（メタデータ） (2020-04-21T09:40:38Z)
Cross Entropy Hyperparameter Optimization for Constrained Problem Hamiltonians Applied to QAOA [68.11912614360878]
QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
論文参考訳（メタデータ） (2020-03-11T13:52:41Z)
Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文参考訳（メタデータ） (2020-02-20T11:11:32Z)
Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。