論文の概要: Target inductive methods for zero-shot regression

• arxiv url: http://arxiv.org/abs/2402.01252v1
• Date: Fri, 2 Feb 2024 09:19:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 16:19:18.190520
• Title: Target inductive methods for zero-shot regression
• Title（参考訳）: ゼロショット回帰のためのターゲット誘導法
• Authors: Miriam Fdez-D\'iaz, Jos\'e Ram\'on Quevedo, Elena Monta\~n\'es
• Abstract要約: この研究は、気象観測所における大気汚染物質の量を予測する必要性から生まれた。 大気汚染は駅の位置(周囲の状況や活動)に依存する。 本稿では2つのゼロショット法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This research arises from the need to predict the amount of air pollutants in meteorological stations. Air pollution depends on the location of the stations (weather conditions and activities in the surroundings). Frequently, the surrounding information is not considered in the learning process. This information is known beforehand in the absence of unobserved weather conditions and remains constant for the same station. Considering the surrounding information as side information facilitates the generalization for predicting pollutants in new stations, leading to a zero-shot regression scenario. Available methods in zero-shot typically lean towards classification, and are not easily extensible to regression. This paper proposes two zero-shot methods for regression. The first method is a similarity based approach that learns models from features and aggregates them using side information. However, potential knowledge of the feature models may be lost in the aggregation. The second method overcomes this drawback by replacing the aggregation procedure and learning the correspondence between side information and feature-induced models, instead. Both proposals are compared with a baseline procedure using artificial datasets, UCI repository communities and crime datasets, and the pollutants. Both approaches outperform the baseline method, but the parameter learning approach manifests its superiority over the similarity based method.
• Abstract（参考訳）: この研究は気象観測所の大気汚染物質量を予測する必要性から生じている。 大気汚染は駅の位置(周囲の状況や活動)に依存する。 学習過程において周辺情報は考慮されないことが多い。 この情報は、観測されていない気象条件がなければ事前に知られており、同じ駅で一定である。 周辺情報をサイド情報として考えると,新しい局における汚染物質予測の一般化が容易となり,ゼロショット回帰シナリオが導かれる。 ゼロショットで利用可能なメソッドは通常分類に傾き、回帰に容易に拡張できない。 本稿では2つのゼロショット法を提案する。 最初の方法は類似性に基づくアプローチであり、特徴からモデルを学び、側面情報を用いてそれらを集約する。 しかし、機能モデルの潜在的な知識は集約で失われる可能性がある。 第2の方法は、アグリゲーション手順を置き換え、サイド情報と特徴誘発モデルとの対応を学習することで、この欠点を克服する。 どちらの提案も、人工データセット、UCIリポジトリコミュニティ、犯罪データセット、汚染物質を使用したベースライン手順と比較される。 どちらの手法もベースライン法よりも優れているが,パラメータ学習法は類似性に基づく手法よりも優れていることを示す。

関連論文リスト

• Free Hunch: Denoiser Covariance Estimation for Diffusion Models Without Extra Costs [25.784316302130875]
  共分散情報は、学習データ及び生成軌道の曲率から自由に利用できる。 ノイズレベル間で共分散推定を伝達する新しい手法である Em (i) を用いて,これらの情報ソースを統合する。 この手法を線形逆問題に対して検証し、最近のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T00:23:09Z)
• Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
  敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。 分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。 実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2024-08-12T02:48:00Z)
• Direct side information learning for zero-shot regression [0.0]
  ゼロショット学習は、一般的には観測されていないターゲットと呼ばれる、インスタンスが利用できないターゲットのためのモデルを提供する。 この文脈では、これらのターゲットのモデルを適切に誘導するために、ターゲット側情報の可用性が重要となる。 本稿では,一相学習プロセスにおいて特徴と側面情報を協調的に取り出す新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T09:36:06Z)
• Data augmentation and explainability for bias discovery and mitigation in deep learning [0.0]
  この論文は、ディープニューラルネットワークにおけるバイアスの影響を調査し、モデルパフォーマンスへの影響を減らす方法を提案する。 最初の部分は、データやモデルのバイアスやエラーの潜在的な原因を分類し、記述することから始まり、特に機械学習パイプラインのバイアスに焦点を当てている。 次の章では、予測と制御を正当化し、モデルを改善する手段として、説明可能なAIの分類と方法について概説する。
  論文  参考訳（メタデータ） (2023-08-18T11:02:27Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• CEnt: An Entropy-based Model-agnostic Explainability Framework to Contrast Classifiers' Decisions [2.543865489517869]
  我々は任意の分類器の予測を局所的に対比する新しい手法を提案する。 コントラストエントロピーに基づく説明法CEntは、決定木によって局所的にモデルを近似し、異なる特徴分割のエントロピー情報を算出する。 CEntは、不変性(人種など)と半不変性(年齢が増加する方向にしか変化しない)を満足しながら、トレーニングデータに必ずしも存在しない多様な反事実を生成する最初の非漸進的コントラスト法である。
  論文  参考訳（メタデータ） (2023-01-19T08:23:34Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment [0.0]
  検閲対象の生存モデルにおけるインプテーションと予測キャリブレーションを組み合わせた手法について述べる。 予測平均化は、ルービンの規則の直接適用とは対照的に、優れた統計的特性、特により小さい予測的変化を有するように見える。
  論文  参考訳（メタデータ） (2021-05-04T20:10:12Z)
• Continual Learning for Fake Audio Detection [62.54860236190694]
  本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。 ASVspoof 2019データセットで実験が行われる。
  論文  参考訳（メタデータ） (2021-04-15T07:57:05Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)

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。