Fugu-MT 論文翻訳(概要): Gradient Boosting Mapping for Dimensionality Reduction and Feature Extraction

論文の概要: Gradient Boosting Mapping for Dimensionality Reduction and Feature Extraction

arxiv url: http://arxiv.org/abs/2405.08486v1
Date: Tue, 14 May 2024 10:23:57 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 14:28:33.723330
Title: Gradient Boosting Mapping for Dimensionality Reduction and Feature Extraction
Title（参考訳）: 次元化と特徴抽出のための勾配ブースティングマッピング
Authors: Anri Patron, Ayush Prasad, Hoang Phuc Hau Luu, Kai Puolamäki,
Abstract要約: 教師あり学習における根本的な問題は、優れた特徴や距離尺度を見つけることである。本稿では,弱い学習者の出力が埋め込みを定義する,教師付き次元削減手法を提案する。組込み座標は教師付き学習タスクにより良い機能を提供することを示す。
参考スコア（独自算出の注目度）: 2.778647101651566
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: A fundamental problem in supervised learning is to find a good set of features or distance measures. If the new set of features is of lower dimensionality and can be obtained by a simple transformation of the original data, they can make the model understandable, reduce overfitting, and even help to detect distribution drift. We propose a supervised dimensionality reduction method Gradient Boosting Mapping (GBMAP), where the outputs of weak learners -- defined as one-layer perceptrons -- define the embedding. We show that the embedding coordinates provide better features for the supervised learning task, making simple linear models competitive with the state-of-the-art regressors and classifiers. We also use the embedding to find a principled distance measure between points. The features and distance measures automatically ignore directions irrelevant to the supervised learning task. We also show that we can reliably detect out-of-distribution data points with potentially large regression or classification errors. GBMAP is fast and works in seconds for dataset of million data points or hundreds of features. As a bonus, GBMAP provides a regression and classification performance comparable to the state-of-the-art supervised learning methods.
Abstract（参考訳）: 教師あり学習における根本的な問題は、優れた特徴や距離測定方法を見つけることである。新しい特徴セットが低次元で、元のデータの単純な変換によって得ることができれば、モデルを理解しやすくし、オーバーフィッティングを減らし、さらには分布のドリフトを検出するのに役立てることができる。本稿では,1層パーセプトロンとして定義された弱い学習者の出力を埋め込みを定義するGBMAPを提案する。組込み座標は教師付き学習タスクにより良い機能を提供し、最先端の回帰器や分類器と競合する単純な線形モデルを実現する。また、埋め込みを用いて点間の原理的距離測度を求める。特徴と距離測定は、教師付き学習課題とは無関係に、自動的に方向を無視する。また,大きな回帰や分類誤差を伴って,配当外データポイントを確実に検出できることも示している。 GBMAPは高速で、数百万のデータポイントや数百の機能のデータセットで数秒で動作します。ボーナスとして、GBMAPは最先端の教師あり学習手法に匹敵するレグレッションと分類性能を提供する。

関連論文リスト

Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [100.7407460674153]
ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。問題を緩和するため、新しいタスクを学ぶ際に経験豊富なタスクのデータを再生する手法が提案されている。しかし、メモリ制約やデータプライバシーの問題を考慮すると、実際には期待できない。代替として、分類モデルからサンプルを反転させることにより、データフリーなデータ再生法を提案する。
論文参考訳（メタデータ） (2024-01-12T12:51:12Z)
PointJEM: Self-supervised Point Cloud Understanding for Reducing Feature Redundancy via Joint Entropy Maximization [10.53900407467811]
本稿では,ポイントクラウド分野に適用した自己教師付き表現学習手法であるPointJEMを提案する。特徴の余分な情報を減らすために、PointJEMは異なる部分間の関節のエントロピーを最大化する。 PointJEMは、分類やセグメンテーションといった下流タスクにおける競合的なパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-12-06T08:21:42Z)
iMatching: Imperative Correspondence Learning [5.974164730742711]
特徴対応学習のための自己指導型命令型学習(IL)を導入する。カメラのポーズやディープラベルを使わずに、任意の未中断ビデオの対応学習を可能にする。特徴マッチングやポーズ推定などのタスクにおいて,優れた性能を示す。
論文参考訳（メタデータ） (2023-12-04T18:58:20Z)
Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。本稿では,軽量点雲モデルのための特徴蒸留について検討する。本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
論文参考訳（メタデータ） (2023-10-08T11:32:50Z)
Adaptive Cross Batch Normalization for Metric Learning [75.91093210956116]
メトリクス学習はコンピュータビジョンの基本的な問題である。蓄積した埋め込みが最新であることを保証することは、同様に重要であることを示す。特に、蓄積した埋め込みと現在のトレーニングイテレーションにおける特徴埋め込みとの間の表現的ドリフトを回避する必要がある。
論文参考訳（メタデータ） (2023-03-30T03:22:52Z)
Model-Change Active Learning in Graph-Based Semi-Supervised Learning [7.208515071018781]
モデル変更」能動学習は、追加ラベルを導入して分類器に生じる結果の変化を定量化する後方分布のラプラス近似を用いて, 取得関数を効率的に近似できる凸損失関数の族を考える。
論文参考訳（メタデータ） (2021-10-14T21:47:10Z)
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)
Finding Significant Features for Few-Shot Learning using Dimensionality Reduction [0.0]
このモジュールは、計量学習法により与えられる類似度関数を、分類のためのより識別的な特徴を持つようにすることで、精度の向上を支援する。提案手法は,MiniImageNetデータセットにおけるメトリック学習ベースラインの精度を約2%向上させる。
論文参考訳（メタデータ） (2021-07-06T16:36:57Z)
MetricOpt: Learning to Optimize Black-Box Evaluation Metrics [21.608384691401238]
誤分類率やリコールなどのタスク評価指標を任意に最適化する問題について検討する。 MetricOptと呼ばれる私たちの方法は、ターゲットメトリックの計算詳細が不明なブラックボックス設定で動作します。我々は、コンパクトなタスク固有のモデルパラメータを計量観測にマップする微分可能値関数を学習することでこれを達成する。
論文参考訳（メタデータ） (2021-04-21T16:50:01Z)
Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文参考訳（メタデータ） (2021-01-07T07:33:38Z)
Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。