Fugu-MT 論文翻訳(概要): Output-Constrained Decision Trees

論文の概要: Output-Constrained Decision Trees

arxiv url: http://arxiv.org/abs/2405.15314v1
Date: Fri, 24 May 2024 07:54:44 GMT
ステータス: 処理完了
システム内更新日: 2024-05-27 15:31:04.204384
Title: Output-Constrained Decision Trees
Title（参考訳）: 出力制約された決定木
Authors: Ş. İlker Birbil, Doğanay Özese, Mustafa Baydoğan,
Abstract要約: 本稿では,マルチターゲット出力だけでなく,対象間の制約も扱える決定木を新たに導入する。我々は,制約に対処する分割基準を調整し,実現可能な予測を得ることにより,従来の決定木をカスタマイズすることに注力する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: When there is a correlation between any pair of targets, one needs a prediction method that can handle vector-valued output. In this setting, multi-target learning is particularly important as it is widely used in various applications. This paper introduces new variants of decision trees that can handle not only multi-target output but also the constraints among the targets. We focus on the customization of conventional decision trees by adjusting the splitting criteria to handle the constraints and obtain feasible predictions. We present both an optimization-based exact approach and several heuristics, complete with a discussion on their respective advantages and disadvantages. To support our findings, we conduct a computational study to demonstrate and compare the results of the proposed approaches.
Abstract（参考訳）: 任意の対の目標の間に相関が存在する場合、ベクトル値出力を処理できる予測方法が必要である。この設定では、多目的学習は様々なアプリケーションで広く使われているため、特に重要である。本稿では,マルチターゲット出力だけでなく,対象間の制約も扱える決定木を新たに導入する。我々は,制約に対処する分割基準を調整し,実現可能な予測を得ることにより,従来の決定木をカスタマイズすることに注力する。最適化に基づく厳密なアプローチといくつかのヒューリスティックなアプローチを示し、それぞれの利点と欠点について議論する。本研究は,提案手法の有効性を実証し,比較するための計算研究である。

関連論文リスト

Multi-Objective Causal Bayesian Optimization [2.5311562666866494]
マルチターゲット因果グラフ内の最適介入を特定するために,MO-CBO(Multi-Objective Causal Bayesian Optimization)を提案する。我々はMO-CBOを複数の従来の多目的最適化タスクに分解可能であることを示す。提案手法は,合成と実世界の因果グラフの両方で検証する。
論文参考訳（メタデータ） (2025-02-20T17:26:16Z)
Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
論文参考訳（メタデータ） (2024-02-29T12:12:30Z)
Deep Neural Network Benchmarks for Selective Classification [27.098996474946446]
複数の選択的な分類フレームワークが存在し、その多くはディープニューラルネットワークアーキテクチャに依存している。提案手法は,選択誤差率,経験的カバレッジ,拒否されたインスタンスのクラス分布,アウト・オブ・ディストリビューション・インスタンスの性能など,いくつかの基準を用いて評価する。
論文参考訳（メタデータ） (2024-01-23T12:15:47Z)
Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints [76.84999501420938]
対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
論文参考訳（メタデータ） (2023-06-23T18:57:14Z)
Best-Effort Adaptation [62.00856290846247]
本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
論文参考訳（メタデータ） (2023-05-10T00:09:07Z)
Multi-Target Decision Making under Conditions of Severe Uncertainty [0.0]
不完全な優先的・確率的な情報をいかに利用して、異なる目標間の意思決定を比較するかを示す。本稿では,提案する決定オプション間の順序の興味深い性質について論じ,線形最適化によって具体的な計算方法を示す。本論文は,アルゴリズムを異なる性能尺度で比較する文脈において,我々のフレームワークを実証することによって,論文を締めくくっている。
論文参考訳（メタデータ） (2022-12-13T11:47:02Z)
Generative multitask learning mitigates target-causing confounding [61.21582323566118]
マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
論文参考訳（メタデータ） (2022-02-08T20:42:14Z)
Robust Optimal Classification Trees Against Adversarial Examples [5.254093731341154]
本稿では,ユーザが特定した攻撃モデルに対して最適に堅牢な決定木を訓練する手法の集合を提案する。逆学習において生じるmin-max最適化問題は、単一最小化定式化を用いて解くことができることを示す。また,両部マッチングを用いた任意のモデルに対して,上界の対角精度を決定する手法を提案する。
論文参考訳（メタデータ） (2021-09-08T18:10:49Z)
Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文参考訳（メタデータ） (2020-07-15T21:58:39Z)
Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
様々な目的に対して最適な決定木を生成する手法を提案する。また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
論文参考訳（メタデータ） (2020-06-15T19:00:11Z)
Multivariate Boosted Trees and Applications to Forecasting and Control [0.0]
勾配強化木は、特定の損失関数を最小限に抑えるために、逐次モデルフィッティングと勾配降下を利用する非パラメトリック回帰木である。本稿では,多変量隆起木を適応する計算効率のよいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-03-08T19:26:59Z)

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。