論文の概要: Detection of Problem Gambling with Less Features Using Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2403.15962v1
• Date: Sat, 23 Mar 2024 23:49:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 20:22:33.299071
• Title: Detection of Problem Gambling with Less Features Using Machine Learning Methods
• Title（参考訳）: 機械学習を用いた特徴量の少ない問題ギャンブルの検出
• Authors: Yang Jiao, Gloria Wong-Padoongpatt, Mei Yang,
• Abstract要約: 本稿では,限られた解析的特徴を用いたディープニューラルネットワークPGN4を提案する。 PGN4は102の機能を5つの機能に切ると、単なるパフォーマンス低下しか発生しない。
• 参考スコア（独自算出の注目度）: 14.248442019790227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analytic features in gambling study are performed based on the amount of data monitoring on user daily actions. While performing the detection of problem gambling, existing datasets provide relatively rich analytic features for building machine learning based model. However, considering the complexity and cost of collecting the analytic features in real applications, conducting precise detection with less features will tremendously reduce the cost of data collection. In this study, we propose a deep neural networks PGN4 that performs well when using limited analytic features. Through the experiment on two datasets, we discover that PGN4 only experiences a mere performance drop when cutting 102 features to 5 features. Besides, we find the commonality within the top 5 features from two datasets.
• Abstract（参考訳）: ギャンブル研究における分析機能は,ユーザの日常行動に関するデータ監視量に基づいて行われる。 問題ギャンブルの検出を行う一方で、既存のデータセットは機械学習ベースのモデルを構築するための比較的リッチな分析機能を提供する。 しかし、実際のアプリケーションにおける分析機能収集の複雑さとコストを考慮すると、より少ない機能で正確な検出を行うことで、データ収集のコストを大幅に削減できる。 本研究では,限られた解析的特徴を用いたディープニューラルネットワークPGN4を提案する。 2つのデータセットの実験を通して、PGN4は102の機能を5つの機能にカットする際にのみ、単なるパフォーマンス低下を経験することを発見した。 さらに、2つのデータセットから上位5つの機能の中で共通点を見つけます。

関連論文リスト

• Open-Source Drift Detection Tools in Action: Insights from Two Use Cases [0.0]
  D3Benchは、Evidently AI、NannyML、Alibi-Detectの能力を調べ、2つのスマートなビルディングユースケースから現実のデータを活用する。 MLパイプラインへの統合性、多様なデータタイプへの適応性、ユーザフレンドリさ、計算効率、リソース要求など、包括的な非機能的基準を検討する。 以上の結果から,Evidently AIはその一般的なデータドリフト検出に際し,NannyMLはシフトの正確なタイミングを推定し,その結果が予測精度に与える影響を評価するのに優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-29T13:13:10Z)
• A Deep Neural Network Based Approach to Building Budget-Constrained Models for Big Data Analysis [11.562071835482223]
  我々は,Deep Neural Networks (DNN) を用いたビッグデータ解析において,重要でない特徴を排除するアプローチを導入する。 弱いリンクと弱いニューロンを特定し、与えられた予算内にモデルコストをもたらすためにいくつかの入力特徴を取り除きます。
  論文  参考訳（メタデータ） (2023-02-23T00:00:32Z)
• Localized Shortcut Removal [4.511561231517167]
  保持されたテストデータのハイパフォーマンスは、モデルを一般化したり、意味のあるものを学ぶことを必ずしも示さない。 これはしばしば、機械学習のショートカットの存在が原因である。 我々は、逆向きに訓練されたレンズを用いて、画像中の非常に予測的だが意味的に無関係な手がかりを検出し、排除する。
  論文  参考訳（メタデータ） (2022-11-24T13:05:33Z)
• On Measuring the Intrinsic Few-Shot Hardness of Datasets [49.37562545777455]
  トレーニング済みのモデルに対して、データセットに固有の数ショットの硬さを示す。 そこで我々は,数発の学習が可能な直感をとらえる,シンプルで軽量な尺度"Spread"を提案する。 我々の測定基準は、既存の硬さの概念に比べて数発の硬さを考慮し、計算が8～100倍高速である。
  論文  参考訳（メタデータ） (2022-11-16T18:53:52Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Transformer-Based Behavioral Representation Learning Enables Transfer Learning for Mobile Sensing in Small Datasets [4.276883061502341]
  時系列から一般化可能な特徴表現を学習できるモバイルセンシングデータのためのニューラルネットワークフレームワークを提供する。 このアーキテクチャは、CNNとTrans-formerアーキテクチャの利点を組み合わせて、より良い予測性能を実現する。
  論文  参考訳（メタデータ） (2021-07-09T22:26:50Z)
• FastIF: Scalable Influence Functions for Efficient Model Interpretation and Debugging [112.19994766375231]
  影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。 fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。 本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
  論文  参考訳（メタデータ） (2020-12-31T18:02:34Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。