論文の概要: Data-driven Preference Learning Methods for Sorting Problems with
Multiple Temporal Criteria
- arxiv url: http://arxiv.org/abs/2309.12620v2
- Date: Thu, 16 Nov 2023 09:21:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 22:19:45.583113
- Title: Data-driven Preference Learning Methods for Sorting Problems with
Multiple Temporal Criteria
- Title(参考訳): 複数の時間的基準を持つソート問題に対するデータ駆動型選好学習法
- Authors: Yijun Li, Mengzhuo Guo, Mi{\l}osz Kadzi\'nski, Qingpeng Zhang
- Abstract要約: 本研究では,時間的基準が存在する場合の複数基準ソート問題に対する新しい選好学習手法を提案する。
スケーラビリティを向上し、学習可能な時間割引要素に対応するため、新しい単調リカレントニューラルネットワーク(mRNN)を導入する。
提案するmRNNは、時間とともに、限界値関数とパーソナライズされた時間割引係数を記述することにより、好みのダイナミクスを記述することができる。
- 参考スコア(独自算出の注目度): 17.673512636899076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of predictive methodologies has catalyzed the emergence of
data-driven decision support across various domains. However, developing models
capable of effectively handling input time series data presents an enduring
challenge. This study presents novel preference learning approaches to multiple
criteria sorting problems in the presence of temporal criteria. We first
formulate a convex quadratic programming model characterized by fixed time
discount factors, operating within a regularization framework. To enhance
scalability and accommodate learnable time discount factors, we introduce a
novel monotonic Recurrent Neural Network (mRNN). It is designed to capture the
evolving dynamics of preferences over time while upholding critical properties
inherent to MCS problems, including criteria monotonicity, preference
independence, and the natural ordering of classes. The proposed mRNN can
describe the preference dynamics by depicting marginal value functions and
personalized time discount factors along with time, effectively amalgamating
the interpretability of traditional MCS methods with the predictive potential
offered by deep preference learning models. Comprehensive assessments of the
proposed models are conducted, encompassing synthetic data scenarios and a
real-case study centered on classifying valuable users within a mobile gaming
app based on their historical in-app behavioral sequences. Empirical findings
underscore the notable performance improvements achieved by the proposed models
when compared to a spectrum of baseline methods, spanning machine learning,
deep learning, and conventional multiple criteria sorting approaches.
- Abstract(参考訳): 予測手法の出現は、さまざまなドメインにわたるデータ駆動意思決定サポートの出現を触媒している。
しかし、入力時系列データを効果的に処理できるモデルの開発は永続的な課題である。
本研究は,時間的基準の存在下での複数の条件分類問題に対する新しい選好学習手法を提案する。
まず,固定時間ディスカウント係数を特徴とする凸二次計画モデルを正規化フレームワーク内で定式化する。
スケーラビリティを向上し、学習可能な時間割引要素に対応するため、新しいモノトニックリカレントニューラルネットワーク(mRNN)を導入する。
標準単調性、選好独立性、クラスの自然順序付けなど、MCS問題に固有の重要な特性を保ちながら、時間とともに嗜好の進化するダイナミクスを捉えるように設計されている。
提案するmrnnは,時間とともに限界値関数とパーソナライズされた時間ディスカウント因子を表現し,従来のmcs法の解釈可能性と,深い選好学習モデルが提供する予測可能性とを効果的に融合することにより,選好ダイナミクスを記述することができる。
提案モデルに関する総合的な評価を行い, モバイルゲームアプリにおいて, 過去の動作シーケンスに基づいて, 有用なユーザを分類することを目的とした実例調査を行った。
実験的な知見は、ベースライン手法のスペクトル、機械学習、ディープラーニング、従来の複数の基準ソートアプローチと比較して、提案モデルが達成した顕著な性能改善を裏付けている。
関連論文リスト
- Recurrent Neural Goodness-of-Fit Test for Time Series [8.22915954499148]
時系列データは、金融や医療など、さまざまな分野において重要である。
従来の評価基準は、時間的依存関係と潜在的な特徴の高次元性のために不足している。
Recurrent Neural (RENAL) Goodness-of-Fit testは,生成時系列モデルを評価するための新しい,統計的に厳密なフレームワークである。
論文 参考訳(メタデータ) (2024-10-17T19:32:25Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳(メタデータ) (2024-09-04T14:36:20Z) - Classification of High-dimensional Time Series in Spectral Domain using Explainable Features [8.656881800897661]
本稿では,高次元定常時系列を分類するためのモデルに基づくアプローチを提案する。
我々のアプローチはモデルパラメータの解釈可能性を強調し、神経科学のような分野に特に適している。
我々の手法の新規性は、モデルパラメータの解釈可能性にあり、神経科学における重要なニーズに対処する。
論文 参考訳(メタデータ) (2024-08-15T19:10:12Z) - Diversified Batch Selection for Training Acceleration [68.67164304377732]
オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。
バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。
DivBS(Diversified Batch Selection)を提案する。
論文 参考訳(メタデータ) (2024-06-07T12:12:20Z) - FocusLearn: Fully-Interpretable, High-Performance Modular Neural Networks for Time Series [0.3277163122167434]
本稿では,構築によって解釈可能な時系列予測のための新しいモジュール型ニューラルネットワークモデルを提案する。
リカレントニューラルネットワークはデータ内の時間的依存関係を学習し、アテンションベースの特徴選択コンポーネントは最も関連性の高い特徴を選択する。
モジュール型のディープネットワークは、選択した機能から独立してトレーニングされ、ユーザーが機能がどのように結果に影響を与えるかを示し、モデルを解釈できる。
論文 参考訳(メタデータ) (2023-11-28T14:51:06Z) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-15T17:10:51Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳(メタデータ) (2023-06-09T13:20:04Z) - Modeling Time-Series and Spatial Data for Recommendations and Other
Applications [1.713291434132985]
我々は,CTESデータの品質が低いために発生する可能性のある問題をレコメンデーションシステムに入力する。
CTESデータの質を向上させるため、時間的シーケンスにおける欠落イベントを克服する根本的な問題に対処する。
我々は、大規模CTES検索と人間の活動予測のためのソリューションの設計にそれらの能力を拡張した。
論文 参考訳(メタデータ) (2022-12-25T09:34:15Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z)
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。