論文の概要: Liquid Democracy for Low-Cost Ensemble Pruning
- arxiv url: http://arxiv.org/abs/2401.17443v1
- Date: Tue, 30 Jan 2024 21:11:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 16:13:46.702847
- Title: Liquid Democracy for Low-Cost Ensemble Pruning
- Title（参考訳）: 低コストアンサンブルプルーニングのための液体民主主義
- Authors: Ben Armstrong, Kate Larson
- Abstract要約: 本稿では, 液状民主主義にインスパイアされた委譲機構を通じて, アンサンブルから冗長な分類器を識別・除去するインクリメンタルトレーニング手法を提案する。
この研究は、計算社会選択文学のフレームワークが、非伝統的な領域における問題にどのように適用できるかの例として機能する。
- 参考スコア（独自算出の注目度）: 7.807466593062003
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We argue that there is a strong connection between ensemble learning and a
delegative voting paradigm -- liquid democracy -- that can be leveraged to
reduce ensemble training costs. We present an incremental training procedure
that identifies and removes redundant classifiers from an ensemble via
delegation mechanisms inspired by liquid democracy. Through both analysis and
extensive experiments we show that this process greatly reduces the
computational cost of training compared to training a full ensemble. By
carefully selecting the underlying delegation mechanism, weight centralization
in the classifier population is avoided, leading to higher accuracy than some
boosting methods. Furthermore, this work serves as an exemplar of how
frameworks from computational social choice literature can be applied to
problems in nontraditional domains.
- Abstract（参考訳）: 我々は、アンサンブルの学習と、アンサンブルのトレーニングコストを減らすために活用できる代表的投票パラダイム(液体民主主義)との間に強いつながりがあると主張している。
本稿では,液体民主主義に触発されたデリゲーション機構を通じて,冗長な分類器をアンサンブルから識別し除去するインクリメンタルトレーニング手順を提案する。
分析と広範な実験を通じて,このプロセスは,完全なアンサンブルをトレーニングするよりも,トレーニングの計算コストを大幅に削減することを示した。
基礎となるデリゲーション機構を慎重に選択することにより、分類器の集団における重み集中を回避し、いくつかのブースティング法よりも高い精度をもたらす。
さらに、この研究は、計算社会選択文学のフレームワークが、非伝統的な領域の問題にどのように適用できるかの例として機能する。
関連論文リスト
- FCOM: A Federated Collaborative Online Monitoring Framework via Representation Learning [11.55303447173952]
逐次的に観測された分散データから代表モデルを推定するための新しい協調的 UCB アルゴリズムを提案する。
本手法の有効性は,アルツハイマー病における理論解析,シミュレーション研究,分散型認知劣化モニタリングを通じて明らかにした。
論文 参考訳（メタデータ） (2024-05-30T21:49:14Z) - Reducing Redundant Computation in Multi-Agent Coordination through Locally Centralized Execution [1.260132853894322]
本研究では,局所集中型チームトランス (LCTT) と呼ばれる新しい手法を提案する。
LCTTは、選択されたエージェントがリーダーとして機能し、指示を発行するローカル集中型の実行フレームワークを確立し、残りのエージェントは、労働者として指定され、ポリシーネットワークをアクティベートすることなく、これらの命令として振る舞う。
実験の結果,提案手法は効率よく冗長計算を削減し,報酬水準を低下させることなく,学習の収束を早めることを示した。
論文 参考訳（メタデータ） (2024-04-19T06:13:37Z) - Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳（メタデータ） (2024-04-04T06:24:11Z) - Imitation Learning based Alternative Multi-Agent Proximal Policy
Optimization for Well-Formed Swarm-Oriented Pursuit Avoidance [15.498559530889839]
本稿では,分散学習に基づく代替的マルチエージェント・プロキシ・ポリシー最適化(IA-MAPPO)アルゴリズムを提案する。
擬似学習を利用して生成コントローラを分散化し,通信オーバーヘッドを低減し,スケーラビリティを向上させる。
シミュレーションの結果,IA-MAPPOの有効性が検証され,広範囲なアブレーション実験により,通信オーバーヘッドが著しく減少する集中型解に匹敵する性能が示された。
論文 参考訳（メタデータ） (2023-11-06T06:58:16Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。
本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。
教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文 参考訳（メタデータ） (2021-09-29T02:56:45Z) - A Decentralized Federated Learning Framework via Committee Mechanism
with Convergence Guarantee [23.09776964764243]
フェデレートラーニングは、ビザンツのクライアントからの攻撃を受けやすい。
本稿では,新しいサーバレスフェデレーション学習フレームワークを提案する。
実験の結果,CMFLは通常のフェデレート学習よりも早く収束し,精度が向上することがわかった。
論文 参考訳（メタデータ） (2021-08-01T05:11:15Z) - Secure Distributed Training at Scale [65.7538150168154]
ピアの存在下でのトレーニングには、ビザンティン寛容な特殊な分散トレーニングアルゴリズムが必要である。
本稿では,コミュニケーション効率を重視したセキュアな(ビザンチン耐性)分散トレーニングのための新しいプロトコルを提案する。
論文 参考訳（メタデータ） (2021-06-21T17:00:42Z) - Unsupervised Attention Based Instance Discriminative Learning for Person
Re-Identification [5.233788055084763]
事前学習をせずにエンドツーエンドで訓練された人物再識別のための教師なしフレームワークを提案する。
提案手法は,グループ畳み込みを組み合わせ,複数スケールでの空間的注意力を高める新しいアテンション機構を利用する。
我々はMarket1501とDukeMTMC-reIDデータセットを用いて広範囲に解析を行い、我々の手法が常に最先端の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） (2020-11-03T18:08:31Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳（メタデータ） (2020-06-12T12:23:50Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z)
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。