論文の概要: Extension of Transformational Machine Learning: Classification Problems
- arxiv url: http://arxiv.org/abs/2309.16693v1
- Date: Mon, 7 Aug 2023 07:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 06:00:29.740772
- Title: Extension of Transformational Machine Learning: Classification Problems
- Title（参考訳）: 変換機械学習の拡張:分類問題
- Authors: Adnan Mahmud, Oghenejokpeme Orhobor, Ross D. King
- Abstract要約: 本研究では、薬物発見における変換機械学習(TML)の適用と性能について検討する。
メタ学習アルゴリズムであるTMLは、さまざまなドメインにまたがる共通属性の活用に優れています。
薬物発見プロセスは複雑で時間を要するが、予測精度の増大から大きな恩恵を受けることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study explores the application and performance of Transformational
Machine Learning (TML) in drug discovery. TML, a meta learning algorithm,
excels in exploiting common attributes across various domains, thus developing
composite models that outperform conventional models. The drug discovery
process, which is complex and time-consuming, can benefit greatly from the
enhanced prediction accuracy, improved interpretability and greater
generalizability provided by TML. We explore the efficacy of different machine
learning classifiers, where no individual classifier exhibits distinct
superiority, leading to the consideration of ensemble classifiers such as the
Random Forest.
Our findings show that TML outperforms base Machine Learning (ML) as the
number of training datasets increases, due to its capacity to better
approximate the correct hypothesis, overcome local optima, and expand the space
of representable functions by combining separate classifiers capabilities.
However, this superiority is relative to the resampling methods applied, with
Near Miss demonstrating poorer performance due to noisy data, overlapping
classes, and nonlinear class boundaries. Conversely, Random Over Sampling (ROS)
provides a more robust performance given its resistance to noise and outliers,
improved class overlap management, and suitability for nonlinear class
boundaries.
- Abstract（参考訳）: 本研究では、薬物発見における変換機械学習(TML)の適用と性能について検討する。
メタ学習アルゴリズムであるtmlは、様々なドメインにまたがる共通属性の活用に優れ、従来のモデルを上回る複合モデルを開発する。
複雑で時間のかかる創薬プロセスは, 予測精度の向上, 解釈性の向上, tmlによる汎用性の向上により, 大いに有益である。
我々は,個々の分類器が異なる優位性を示す機械学習分類器の有効性について検討し,ランダムフォレストのようなアンサンブル分類器を考慮に入れた。
この結果から,TMLは,正しい仮説をより正確に近似し,局所最適性を克服し,個別の分類器機能を組み合わせることで表現可能な関数の空間を拡大する能力により,ベース機械学習(ML)よりも優れていることがわかった。
しかし、この優位性は再サンプリング法と比較され、Near Missはノイズデータ、重複クラス、非線形クラス境界による性能の低下を示す。
逆に、Random Over Sampling (ROS) は、ノイズや外れ値に対する耐性、クラスオーバーラップ管理の改善、非線形クラス境界に対する適合性から、より堅牢なパフォーマンスを提供する。
関連論文リスト
- FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。
FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-15T16:45:16Z) - Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。
我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。
重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文 参考訳（メタデータ） (2023-10-06T16:36:08Z) - Learning Efficient Coding of Natural Images with Maximum Manifold
Capacity Representations [4.666056064419346]
効率的な符号化仮説は、感覚系の応答特性が入力の統計に適応していることを提案する。
エレガントではあるものの、情報理論の特性は実際的な設定や最適化の目的関数として使うのが難しいことで知られている。
ここでは、多様体の容量を直接最適化し、最大多様体容量表現(MMCR)が得られるという仮定を概説する。
論文 参考訳（メタデータ） (2023-03-06T17:26:30Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Using Explainable Boosting Machine to Compare Idiographic and Nomothetic
Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。
木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。
2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
論文 参考訳（メタデータ） (2022-04-04T17:56:37Z) - Soft-margin classification of object manifolds [0.0]
単一対象の複数の出現に対応する神経集団は、神経応答空間における多様体を定義する。
そのような多様体を分類する能力は、オブジェクト認識やその他の計算タスクは多様体内の変数に無関心な応答を必要とするため、興味がある。
ソフトマージン分類器は、より大きなアルゴリズムのクラスであり、トレーニングセット外のパフォーマンスを最適化するためにアプリケーションで使われる追加の正規化パラメータを提供する。
論文 参考訳（メタデータ） (2022-03-14T12:23:36Z) - IB-GAN: A Unified Approach for Multivariate Time Series Classification
under Class Imbalance [1.854931308524932]
GAN(Generative Adversarial Networks)による非パラメトリックデータ拡張は、有望なソリューションを提供する。
本稿では,データ拡張と分類を1段階のプロセスで結合する新しい手法であるImputation Balanced GAN(IB-GAN)を提案する。
論文 参考訳（メタデータ） (2021-10-14T15:31:16Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-04-19T12:26:26Z) - Robustifying Binary Classification to Adversarial Perturbation [45.347651499585055]
本稿では,対向摂動を伴う二分分類の問題について考察する。
データを操作する際の敵の力を考慮に入れたマックスマージン分類器に一般化を導入する。
損失関数に関するいくつかの軽微な仮定の下では、勾配降下がその方向のRM分類器に収束することを理論的に示す。
論文 参考訳（メタデータ） (2020-10-29T07:20:37Z)
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。