論文の概要: Exploiting Field Dependencies for Learning on Categorical Data

• arxiv url: http://arxiv.org/abs/2307.09321v1
• Date: Tue, 18 Jul 2023 15:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 14:15:33.579379
• Title: Exploiting Field Dependencies for Learning on Categorical Data
• Title（参考訳）: カテゴリデータに基づく学習のためのフィールド依存の爆発
• Authors: Zhibin Li, Piotr Koniusz, Lu Zhang, Daniel Edward Pagendam, Peyman Moghadam
• Abstract要約: 本稿では,フィールド間の依存関係を利用した分類データ学習手法を提案する。 提案手法は単純だが,6つの一般的なデータセットベンチマークにおいて,最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 33.2727127163419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional approaches for learning on categorical data underexploit the dependencies between columns (\aka fields) in a dataset because they rely on the embedding of data points driven alone by the classification/regression loss. In contrast, we propose a novel method for learning on categorical data with the goal of exploiting dependencies between fields. Instead of modelling statistics of features globally (i.e., by the covariance matrix of features), we learn a global field dependency matrix that captures dependencies between fields and then we refine the global field dependency matrix at the instance-wise level with different weights (so-called local dependency modelling) w.r.t. each field to improve the modelling of the field dependencies. Our algorithm exploits the meta-learning paradigm, i.e., the dependency matrices are refined in the inner loop of the meta-learning algorithm without the use of labels, whereas the outer loop intertwines the updates of the embedding matrix (the matrix performing projection) and global dependency matrix in a supervised fashion (with the use of labels). Our method is simple yet it outperforms several state-of-the-art methods on six popular dataset benchmarks. Detailed ablation studies provide additional insights into our method.
• Abstract（参考訳）: 分類/回帰損失によってのみ駆動されるデータポイントの埋め込みに依存するため、データセット内の列(\akaフィールド)間の依存関係を過小評価する従来のアプローチ。 対照的に,フィールド間の依存性を活用すべく,カテゴリデータで学習する新しい手法を提案する。 グローバルな特徴の統計をモデル化する(すなわち、特徴の共分散行列によって)代わりに、フィールド間の依存関係をキャプチャするグローバルフィールド依存行列を学び、各フィールドのモデリングを改善するために、異なる重み(いわゆる局所依存モデリング)でインスタンスレベルでグローバルフィールド依存行列を洗練する。 我々のアルゴリズムはメタラーニングパラダイム、すなわち、依存行列をラベルを使わずにメタラーニングアルゴリズムの内ループで洗練するのに対して、外ループは埋め込み行列(プロジェクションを実行する行列)とグローバル依存行列の更新を(ラベルを用いて)教師付き方式で介入する。 この方法は単純だが、6つの人気のあるデータセットベンチマークで最先端のメソッドを上回っている。 詳細なアブレーション研究は、この方法にさらなる洞察を与える。

関連論文リスト

• Potential Field Based Deep Metric Learning [8.670873561640903]
  ディープメトリック学習は、意味的に意味のある表現空間を学ぶためにネットワークを訓練する。 物理学における静電場に着想を得た新しい合成DMLモデルを提案する。 このような減衰は,クラス内変動が大きく,ラベルノイズも大きい実世界のデータセットの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:10:06Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Automatic universal taxonomies for multi-domain semantic segmentation [1.4364491422470593]
  複数のデータセットに対するセマンティックセグメンテーションモデルのトレーニングは、コンピュータビジョンコミュニティに最近多くの関心を呼んだ。 確立されたデータセットには 互いに互換性のないラベルがあります 野生の原理的推論を妨害します 我々は、反復的データセット統合による普遍的な構築によってこの問題に対処する。
  論文  参考訳（メタデータ） (2022-07-18T08:53:17Z)
• Self-Taught Metric Learning without Labels [47.832107446521626]
  教師なしメトリック学習のための新しい自己学習フレームワークを提案する。 埋め込みモデルの移動平均を通してデータ間のクラス等価関係を予測し、予測された関係を擬似ラベルとして学習する。
  論文  参考訳（メタデータ） (2022-05-04T05:48:40Z)
• Disentanglement and Generalization Under Correlation Shifts [22.499106910581958]
  実世界のデータでは、変動要因間の相関が一般的である。 機械学習アルゴリズムは、ノイズの多いデータに対する予測性能を高めることができるため、そのような相関を利用する利点がある。 潜在部分空間の様々な要因を捉える表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2021-12-29T18:55:17Z)
• Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
  マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。 本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
  論文  参考訳（メタデータ） (2021-10-27T15:20:41Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Field-wise Learning for Multi-field Categorical Data [27.100048708707593]
  マルチフィールド分類データを用いた新しい学習法を提案する。 これにより、モデルが各カテゴリに適合し、基礎となるデータの違いをよりよく捉えることができる。 2つの大規模データセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-12-01T01:10:14Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。