論文の概要: Diffusion Boosted Trees

• arxiv url: http://arxiv.org/abs/2406.01813v1
• Date: Mon, 3 Jun 2024 22:11:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 20:42:35.604453
• Title: Diffusion Boosted Trees
• Title（参考訳）: 拡散隆起木
• Authors: Xizewen Han, Mingyuan Zhou,
• Abstract要約: 拡散ブーストツリー(DBT)は、決定木によってパラメータ化される新しい拡散生成モデルであると見なすことができる。 DBT は弱を条件分布の強い勾配に結合し、それらの密度形式について明示的な仮定をしない。
• 参考スコア（独自算出の注目度）: 56.46631445688882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining the merits of both denoising diffusion probabilistic models and gradient boosting, the diffusion boosting paradigm is introduced for tackling supervised learning problems. We develop Diffusion Boosted Trees (DBT), which can be viewed as both a new denoising diffusion generative model parameterized by decision trees (one single tree for each diffusion timestep), and a new boosting algorithm that combines the weak learners into a strong learner of conditional distributions without making explicit parametric assumptions on their density forms. We demonstrate through experiments the advantages of DBT over deep neural network-based diffusion models as well as the competence of DBT on real-world regression tasks, and present a business application (fraud detection) of DBT for classification on tabular data with the ability of learning to defer.
• Abstract（参考訳）: 拡散確率モデルと勾配促進モデルの両方の利点を組み合わせて、拡散促進パラダイムを導入し、教師付き学習問題に対処する。 本研究では,決定木によってパラメータ化される新たな拡散生成モデル(拡散時間ステップ毎に1本ずつの1本木)と,弱学習者を条件分布の強い学習者に組み合わせた新しいブースティングアルゴリズムを,その密度形式に関するパラメトリックな仮定を行うことなく開発する。 実験により,深層ニューラルネットワークに基づく拡散モデルに対するDBTの利点と,実世界の回帰タスクにおけるDBTの能力を示すとともに,遅延学習能力を備えた表データの分類のためのDBTのビジネスアプリケーション(詐欺検出)を提案する。

関連論文リスト

• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• MagicFusion: Boosting Text-to-Image Generation Performance by Fusing Diffusion Models [20.62953292593076]
  本研究では,より制御可能な生成を実現するために,融合したテキスト誘導拡散モデルを実現するためのSNB (Saliency-aware Noise Blending) という,シンプルで効果的な手法を提案する。 SNBはトレーニングフリーであり、DDIMサンプリングプロセス内で完成することができる。さらに、マスクなどの追加アノテーションを必要とせずに、2つのノイズ空間のセマンティクスを自動的に調整することができる。
  論文  参考訳（メタデータ） (2023-03-23T09:30:39Z)
• Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
  本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。 DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。 CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
  論文  参考訳（メタデータ） (2023-03-17T04:20:47Z)
• Efficient Fraud Detection Using Deep Boosting Decision Trees [8.941773715949697]
  不正検出とは、複雑なデータから潜在的に不正な活動を特定し、監視し、防止することである。 AIの最近の発展と成功、特に機械学習は、不正に対処する新しいデータ駆動型方法を提供する。 ディープブーピング決定木(DBDT)は、勾配ブースティングとニューラルネットワークに基づく不正検出の新しいアプローチである。
  論文  参考訳（メタデータ） (2023-02-12T14:02:58Z)
• Information-Theoretic Diffusion [18.356162596599436]
  拡散モデルのデノイングは密度モデリングや画像生成において大きな進歩をもたらした。 情報理論における古典的な結果にインスパイアされた拡散モデルのための新しい数学的基礎を導入する。
  論文  参考訳（メタデータ） (2023-02-07T23:03:07Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
  限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。 本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。 構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
  論文  参考訳（メタデータ） (2021-05-07T10:42:59Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。