論文の概要: Practical considerations for variable screening in the Super Learner

• arxiv url: http://arxiv.org/abs/2311.03313v1
• Date: Mon, 6 Nov 2023 18:04:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 13:23:33.790821
• Title: Practical considerations for variable screening in the Super Learner
• Title（参考訳）: 超学習者における可変スクリーニングの実践的考察
• Authors: Brian D. Williamson, Drew King, Ying Huang
• Abstract要約: スーパーラーナーアンサンブルは望ましい理論的性質を持ち、多くの応用で成功している。 次元減少は、他の予測アルゴリズムに適合する前にアンサンブル内で、ラッソを含む可変スクリーニングアルゴリズムを使用することで達成できる。 実験結果から,候補検定アルゴリズムの多種多様さが,一つの画面の粗悪な性能を防ぎ得ることを示唆する。
• 参考スコア（独自算出の注目度）: 2.9337734440124232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating a prediction function is a fundamental component of many data analyses. The Super Learner ensemble, a particular implementation of stacking, has desirable theoretical properties and has been used successfully in many applications. Dimension reduction can be accomplished by using variable screening algorithms, including the lasso, within the ensemble prior to fitting other prediction algorithms. However, the performance of a Super Learner using the lasso for dimension reduction has not been fully explored in cases where the lasso is known to perform poorly. We provide empirical results that suggest that a diverse set of candidate screening algorithms should be used to protect against poor performance of any one screen, similar to the guidance for choosing a library of prediction algorithms for the Super Learner.
• Abstract（参考訳）: 予測関数の推定は多くのデータ分析の基本的な構成要素である。 Super Learner アンサンブルは、特にスタック化の実装であり、望ましい理論的性質を持ち、多くのアプリケーションでうまく使われている。 次元減少は、他の予測アルゴリズムに適合する前にアンサンブル内でラッソを含む可変スクリーニングアルゴリズムを使用することで達成できる。 しかし,ラッソを用いた次元減少のためのスーパーラーナの性能は,ラッソが不十分であることが知られている場合に完全には調査されていない。 提案手法は,スーパーラーナーの予測アルゴリズムのライブラリを選択するためのガイダンスと同様,任意の画面の粗悪な性能から,多様な候補スクリーニングアルゴリズムを保護すべきであることを示す実証的な結果を提供する。

関連論文リスト

• A General Online Algorithm for Optimizing Complex Performance Metrics [5.726378955570775]
  我々は,バイナリ,マルチクラス,マルチラベルの分類問題において,様々な複雑なパフォーマンス指標を用いて,直接的に使用可能な汎用オンラインアルゴリズムを導入,分析する。 アルゴリズムの更新と予測のルールは、過去のデータを保存することなく、非常にシンプルで計算的に効率的である。
  論文  参考訳（メタデータ） (2024-06-20T21:24:47Z)
• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Faster Discrete Convex Function Minimization with Predictions: The M-Convex Case [15.191184049312467]
  予測を使うことで、最良の結果の時間を改善することができ、予測よりも低い結果を超える可能性がある。 我々のフレームワークは特に、研究応用に現れるラミナ最小化凸(lamina minimization convex)と呼ばれる重要なものに有効である。
  論文  参考訳（メタデータ） (2023-06-09T12:58:47Z)
• 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)
• Algorithms with Prediction Portfolios [23.703372221079306]
  我々は、マッチング、ロードバランシング、非クレアボイラントスケジューリングなど、多くの基本的な問題に対する複数の予測器の使用について検討する。 これらの問題のそれぞれに対して、複数の予測器を利用する新しいアルゴリズムを導入し、その結果のパフォーマンスに限界を証明します。
  論文  参考訳（メタデータ） (2022-10-22T12:58:07Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
  任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。 提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
  論文  参考訳（メタデータ） (2021-05-23T19:21:55Z)
• Towards Feature-Based Performance Regression Using Trajectory Data [0.9281671380673306]
  ブラックボックス最適化は非常に活発な研究領域であり、毎年多くの新しいアルゴリズムが開発されている。 アルゴリズムの多様性はメタプロブレム(メタプロブレム):どのアルゴリズムが与えられた問題を選択するか? 過去の研究では、探索ランドスケープ分析に基づくインスタンスごとのアルゴリズム選択が、このメタプロブレムに取り組むための効率的な手段であることが示されている。
  論文  参考訳（メタデータ） (2021-02-10T10:19:13Z)

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。