Fugu-MT 論文翻訳(概要): Mixed-Curvature Decision Trees and Random Forests

論文の概要: Mixed-Curvature Decision Trees and Random Forests

arxiv url: http://arxiv.org/abs/2406.05227v2
Date: Thu, 18 Jul 2024 14:11:39 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 20:32:20.263742
Title: Mixed-Curvature Decision Trees and Random Forests
Title（参考訳）: 混合曲率決定木とランダム森林
Authors: Philippe Chlenski, Quentin Chu, Itsik Pe'er,
Abstract要約: 決定木とランダムフォレストアルゴリズムを積空間多様体に拡張する。本手法は積多様体の分類と回帰のための単純で表現力豊かな方法を実現する。実装と実験のコードはhttps://github.com/pchlenski/embedders.comで公開されている。
参考スコア（独自算出の注目度）: 0.6656737591902598
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We extend decision tree and random forest algorithms to product space manifolds: Cartesian products of Euclidean, hyperspherical, and hyperbolic manifolds. Such spaces have extremely expressive geometries capable of representing many arrangements of distances with low metric distortion. To date, all classifiers for product spaces fit a single linear decision boundary, and no regressor has been described. Our method enables a simple, expressive method for classification and regression in product manifolds. We demonstrate the superior accuracy of our tool compared to Euclidean methods operating in the ambient space or the tangent plane of the manifold across a range of constant-curvature and product manifolds. Code for our implementation and experiments is available at https://github.com/pchlenski/embedders.
Abstract（参考訳）: 決定木とランダムフォレストアルゴリズムを積空間多様体に拡張する: ユークリッド多様体、超球面多様体、双曲多様体の直積。そのような空間は、測度歪みの低い多くの距離の配置を表現できる非常に表現力のある測地を持っている。これまで、積空間のすべての分類器は1つの線形決定境界に適合しており、回帰器は記述されていない。本手法は積多様体の分類と回帰のための単純で表現力豊かな方法を実現する。ツールの精度は、多様体の周囲空間や接平面で動くユークリッド法と比較して、定数曲率および積多様体の範囲で優れていることを示す。実装と実験のコードはhttps://github.com/pchlenski/embedders.comで公開されている。

関連論文リスト

Mixed-curvature decision trees and random forests [0.9175022232984708]
決定木(DT)とそのランダム森林(RF)拡張はユークリッド空間における分類と回帰の作業場である。 DTおよびRFアルゴリズムを、いくつかの双曲的、超球的、ユークリッド的成分の積多様体積に拡張する。我々の新しい DT の角的再構成は積多様体の幾何学を尊重し、測地的に凸であり、最大マージンであり、構成可能な分割を与える。
論文参考訳（メタデータ） (2024-10-03T00:48:07Z)
Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文参考訳（メタデータ） (2023-10-30T21:27:53Z)
Gromov-Hausdorff Distances for Comparing Product Manifolds of Model Spaces [21.97865037637575]
計量幾何学からのグロモフ・ハウスドルフ距離を用いて、候補潜在測地間の距離の新たな概念を導入する。本稿では,Gromov-Hausdorff距離を推定したグラフ探索空間を用いて最適潜時幾何学を探索する。
論文参考訳（メタデータ） (2023-09-09T11:17:06Z)
Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation [35.20583774988951]
知識に基づく多重適応空間融合法(MCKG)を提案する。特定の多様体のみを採用する既存の方法とは異なり、双曲的、ユークリッド的、球面的空間と互換性のある統一空間を導入する。さらに,双曲空間と球面空間の両方から得られるプル・アンド・プッシュ処理を可能にする幾何対応最適化手法を提案する。
論文参考訳（メタデータ） (2023-08-29T12:11:16Z)
HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文参考訳（メタデータ） (2022-04-18T06:11:44Z)
Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic Approach to Manifold Dimension Estimation [92.81218653234669]
本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
論文参考訳（メタデータ） (2021-07-08T15:35:54Z)
Linear Classifiers in Mixed Constant Curvature Spaces [40.82908295137667]
我々は、ユークリッド空間、球面空間、双曲空間の混合である積空間形式の線形分類の問題に対処する。我々は、$d$-次元定数曲率空間の線形分類子が正確に$d+1$点を粉砕できることを証明した。新規なパーセプトロン分類アルゴリズムを記述し、厳密な収束結果を確立する。
論文参考訳（メタデータ） (2021-02-19T23:29:03Z)
Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
論文参考訳（メタデータ） (2021-02-17T11:06:59Z)
Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
適度な高次元と大きなデータセットに適した多様体学習技術。この手法は、二次超曲面の交点という形で訓練データから学習される。テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
論文参考訳（メタデータ） (2021-02-11T18:52:08Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)
Ultrahyperbolic Representation Learning [13.828165530602224]
機械学習では、データは通常、点間の距離が直線に沿っているユークリッド空間で表現される。定数非零曲率の擬リーマン多様体上に存在する表現を提案する。この幾何学において必要な学習ツールを提供し、勾配に基づく最適化手法を拡張した。
論文参考訳（メタデータ） (2020-07-01T03:49:24Z)

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。