論文の概要: Parallel Algorithm for Optimal Threshold Labeling of Ordinal Regression Methods

• arxiv url: http://arxiv.org/abs/2405.12756v1
• Date: Tue, 21 May 2024 13:06:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-22 13:19:55.414699
• Title: Parallel Algorithm for Optimal Threshold Labeling of Ordinal Regression Methods
• Title（参考訳）: 正規回帰法の最適閾値ラベル付けのための並列アルゴリズム
• Authors: Ryoya Yamasaki, Toshiyuki Tanaka,
• Abstract要約: 順序回帰(ordinal regression、OR)は、下層のカテゴリー的対象変数が下層の説明変数に対して自然な順序関係を持つ順序データの分類である。 しきい値法は、説明変数の1次元変換(1DT)を学習し、説明変数の観測における1DT値が、対象変数の対応する観測に対して1,ldots,K$のラベル値の順序を保存する。 本稿では,従来の研究で開発された最適しきい値ラベリングを求める並列化可能なアルゴリズムを提案し,そのアルゴリズムが最適しきい値ラベリングをうまく出力するための十分な条件を導出する。
• 参考スコア（独自算出の注目度）: 3.762128705885155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal regression (OR) is classification of ordinal data in which the underlying categorical target variable has a natural ordinal relation for the underlying explanatory variable. For $K$-class OR tasks, threshold methods learn a one-dimensional transformation (1DT) of the explanatory variable so that 1DT values for observations of the explanatory variable preserve the order of label values $1,\ldots,K$ for corresponding observations of the target variable well, and then assign a label prediction to the learned 1DT through threshold labeling, namely, according to the rank of an interval to which the 1DT belongs among intervals on the real line separated by $(K-1)$ threshold parameters. In this study, we propose a parallelizable algorithm to find the optimal threshold labeling, which was developed in previous research, and derive sufficient conditions for that algorithm to successfully output the optimal threshold labeling. In a numerical experiment we performed, the computation time taken for the whole learning process of a threshold method with the optimal threshold labeling could be reduced to approximately 60\,\% by using the proposed algorithm with parallel processing compared to using an existing algorithm based on dynamic programming.
• Abstract（参考訳）: 順序回帰(ordinal regression、OR)は、下層のカテゴリー的対象変数が下層の説明変数に対して自然な順序関係を持つ順序データの分類である。 K$クラスのORタスクに対して、しきい値法は説明変数の1次元変換(1DT)を学習し、説明変数の観測のための1DT値がラベル値の順序を保存するようにして、目標変数の対応する観測のための1,\ldots,K$を保持し、しきい値ラベル付けによって学習された1DTにラベル予測を割り当て、すなわち、1DTが$(K-1)$しきい値パラメータで区切られた実線上の間隔に属する間隔のランクに従って、学習された1DTにラベルを割り当てる。 本研究では,従来の研究で開発された最適しきい値ラベリングを求める並列化可能なアルゴリズムを提案し,そのアルゴリズムが最適しきい値ラベリングをうまく出力するための十分な条件を導出する。 数値実験では, 動的プログラミングに基づく既存アルゴリズムと比較して, 提案アルゴリズムを並列処理で使用することにより, しきい値ラベル付きしきい値法全体の学習に要する計算時間を約60\,\%に短縮することができた。

関連論文リスト

• Variable Substitution and Bilinear Programming for Aligning Partially Overlapping Point Sets [48.1015832267945]
  本研究では,RPMアルゴリズムの最小化目的関数を用いて要求を満たす手法を提案する。 分岐とバウンド(BnB)アルゴリズムが考案され、パラメータのみに分岐し、収束率を高める。 実験による評価は,非剛性変形,位置雑音,外れ値に対する提案手法の高剛性を示す。
  論文  参考訳（メタデータ） (2024-05-14T13:28:57Z)
• Learning nonparametric DAGs with incremental information via high-order HSIC [13.061477915002767]
  そこで本研究では,DAGを同定するために,親の判断したサブセットに基づく識別可能性条件を提案する。 最適相では、一階のヒルベルト最適独立基準(HSIC)に基づく最適化問題により、推定骨格が初期決定された親部分集合として与えられる。 チューニングフェーズでは、骨格は削除、追加、DAG形式化戦略によって局所的に調整される。
  論文  参考訳（メタデータ） (2023-08-11T07:07:21Z)
• Fast Regularized Discrete Optimal Transport with Group-Sparse Regularizers [27.021749335548307]
  本稿では,グループスパース正規化器を用いた高速離散最適輸送を提案する。 実験の結果,本手法は従来の手法よりも最大8.6倍高速であることがわかった。
  論文  参考訳（メタデータ） (2023-03-14T02:40:46Z)
• Efficient Approximate Kernel Based Spike Sequence Classification [56.2938724367661]
  SVMのような機械学習モデルは、シーケンスのペア間の距離/相似性の定義を必要とする。 厳密な手法により分類性能は向上するが、計算コストが高い。 本稿では,その予測性能を向上させるために,近似カーネルの性能を改善する一連の方法を提案する。
  論文  参考訳（メタデータ） (2022-09-11T22:44:19Z)
• Meta-Regularization: An Approach to Adaptive Choice of the Learning Rate in Gradient Descent [20.47598828422897]
  第一次下降法における学習率の適応的選択のための新しいアプローチであるtextit-Meta-Regularizationを提案する。 本手法は,正規化項を追加して目的関数を修正し,共同処理パラメータをキャストする。
  論文  参考訳（メタデータ） (2021-04-12T13:13:34Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• Average-Reward Off-Policy Policy Evaluation with Function Approximation [66.67075551933438]
  平均報酬MDPの関数近似によるオフポリシ政策評価を検討する。 ブートストラップは必要であり、オフポリシ学習とFAと一緒に、致命的なトライアドをもたらす。 そこで本研究では,勾配型tdアルゴリズムの成功を再現する2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-08T00:43:04Z)
• Regularization in neural network optimization via trimmed stochastic gradient descent with noisy label [2.66512000865131]
  正規化は、ニューラルネットワークの最適化におけるデータトレーニングへの過度な適合を回避するために不可欠です。 ラベルノイズとトリミングの例を組み合わせた第1次最適化法(Label-Noised Trim-SGD)を提案する。 提案アルゴリズムにより,ラベルの大きいノイズを付加し,元の手法よりも優れた正規化効果が得られる。
  論文  参考訳（メタデータ） (2020-12-21T01:31:53Z)
• Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
  離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。 この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。 古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-01T18:43:32Z)
• Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
  カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。 我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
  論文  参考訳（メタデータ） (2020-04-23T05:00:21Z)

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。