Fugu-MT 論文翻訳(概要): $L_0$ Regularization of Field-Aware Factorization Machine through Ising Model

論文の概要: $L_0$ Regularization of Field-Aware Factorization Machine through Ising Model

arxiv url: http://arxiv.org/abs/2403.01718v1
Date: Mon, 4 Mar 2024 04:12:37 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 20:03:31.343199
Title: $L_0$ Regularization of Field-Aware Factorization Machine through Ising Model
Title（参考訳）: イジングモデルによるフィールドアウェアファクタライゼーションマシンの$l_0$正規化
Authors: Yasuharu Okamoto (1,2) ((1) Secure System Platform Research Laboratories, NEC Corporation, Nakahara-ku, Kawasaki, Kanagawa, Japan, (2) NEC-AIST Quantum Technology Cooperative Research Laboratories, Tsukuba, Ibaraki, Japan)
Abstract要約: We use the Ising model as a $L_0$ regularization method for field-aware factorization machines (FFM) 各グループで選択された特徴の類似性と相違点からモデルの解釈と理解を深めることができる。
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: We examined the use of the Ising model as an $L_0$ regularization method for field-aware factorization machines (FFM). This approach improves generalization performance and has the advantage of simultaneously determining the best feature combinations for each of several groups. We can deepen the interpretation and understanding of the model from the similarities and differences in the features selected in each group.
Abstract（参考訳）: フィールドアウェアファクタライゼーションマシン (ffm) に対する$l_0$正規化方法としてのイジングモデルの使用について検討した。このアプローチは一般化性能を改善し、複数のグループ毎に最適な特徴の組み合わせを同時に決定する利点がある。各グループで選択された特徴の類似性と相違点からモデルの解釈と理解を深めることができる。

関連論文リスト

Provably Better Explanations with Optimized Aggregation of Feature Attributions [36.22433695108499]
ポストホックな説明に特徴属性を使用することは、不透明な機械学習モデルの予測を理解し検証する一般的なプラクティスである。本稿では,特徴属性の最適凸結合を導出する新たな手法を提案する。
論文参考訳（メタデータ） (2024-06-07T17:03:43Z)
Mixture of multilayer stochastic block models for multiview clustering [0.0]
本稿では,異なる情報源から得られた複数のクラスタリングを集約する独自の手法を提案する。モデルパラメータの同定可能性を確立し,これらのパラメータを推定するために変分ベイズEMアルゴリズムを提案する。この手法は、グローバルな食品取引網の分析に利用され、興味のある構造に繋がる。
論文参考訳（メタデータ） (2024-01-09T17:15:47Z)
Lp-Norm Constrained One-Class Classifier Combination [18.27510863075184]
アンサンブルの空間/均一性をモデル化し,一級分類問題を考える。定式化凸制約問題の解法を効果的に提案する。
論文参考訳（メタデータ） (2023-12-25T16:32:34Z)
HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting [56.95572957863576]
本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2023-05-14T05:11:52Z)
A distribution-free mixed-integer optimization approach to hierarchical modelling of clustered and longitudinal data [0.0]
我々は,新しいデータポイントに対するクラスタ効果を評価する革新的なアルゴリズムを導入し,このモデルのロバスト性や精度を高める。このアプローチの推論的および予測的効果は、学生のスコアリングとタンパク質発現に適用することでさらに説明される。
論文参考訳（メタデータ） (2023-02-06T23:34:51Z)
Personalized Federated Learning via Convex Clustering [72.15857783681658]
本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
論文参考訳（メタデータ） (2022-02-01T19:25:31Z)
Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。この手法により局所的・言語的特徴の半順序が生じることを示す。これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
論文参考訳（メタデータ） (2021-10-26T02:53:14Z)
Differentiable Spline Approximations [48.10988598845873]
微分プログラミングは機械学習のスコープを大幅に強化した。標準的な微分可能なプログラミング手法(autodiffなど)は、通常、機械学習モデルが微分可能であることを要求する。この再設計されたヤコビアンを予測モデルにおける微分可能な「層」の形で活用することで、多様なアプリケーションの性能が向上することを示す。
論文参考訳（メタデータ） (2021-10-04T16:04:46Z)
Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文参考訳（メタデータ） (2021-01-02T02:11:37Z)
Posterior Differential Regularization with f-divergence for Improving Model Robustness [95.05725916287376]
クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。後微分正則化を$f$-divergencesの族に一般化する。実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
論文参考訳（メタデータ） (2020-10-23T19:58:01Z)

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。