論文の概要: Optimising Random Forest Machine Learning Algorithms for User VR Experience Prediction Based on Iterative Local Search-Sparrow Search Algorithm
- arxiv url: http://arxiv.org/abs/2406.16905v1
- Date: Mon, 3 Jun 2024 15:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 06:41:31.118274
- Title: Optimising Random Forest Machine Learning Algorithms for User VR Experience Prediction Based on Iterative Local Search-Sparrow Search Algorithm
- Title（参考訳）: 反復的局所探索-スパロー探索アルゴリズムに基づくユーザVR体験予測のためのランダムフォレスト機械学習アルゴリズムの最適化
- Authors: Xirui Tang, Feiyang Li, Zinan Cao, Qixuan Yu, Yulu Gong,
- Abstract要約: 繰り返し局所探索最適化されたスパロー探索アルゴリズムによって改良されたスパロー探索アルゴリズムとランダムフォレストアルゴリズムを導入することにより,VRユーザエクスペリエンス予測の改善手法を検討した。
反復的局所探索-スパロー探索アルゴリズムに基づく改良されたモデルでは,トレーニングセットとテストセットの両方において100%の精度が達成される。
- 参考スコア（独自算出の注目度）: 2.606122414949199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, an improved method for VR user experience prediction is investigated by introducing a sparrow search algorithm and a random forest algorithm improved by an iterative local search-optimised sparrow search algorithm. The study firstly conducted a statistical analysis of the data, and then trained and tested using the traditional random forest model, the random forest model improved by the sparrow search algorithm, and the random forest algorithm improved based on the iterative local search-sparrow search algorithm, respectively. The results show that the traditional random forest model has a prediction accuracy of 93% on the training set but only 73.3% on the test set, which is poor in generalisation; whereas the model improved by the sparrow search algorithm has a prediction accuracy of 94% on the test set, which is improved compared with the traditional model. What is more noteworthy is that the improved model based on the iterative local search-sparrow search algorithm achieves 100% accuracy on both the training and test sets, which is significantly better than the other two methods. These research results provide new ideas and methods for VR user experience prediction, especially the improved model based on the iterative local search-sparrow search algorithm performs well and is able to more accurately predict and classify the user's VR experience. In the future, the application of this method in other fields can be further explored, and its effectiveness can be verified through real cases to promote the development of AI technology in the field of user experience.
- Abstract（参考訳）: 本稿では,空間探索アルゴリズムと局所探索最適化スパロウ探索アルゴリズムにより改良されたランダムフォレストアルゴリズムを導入することにより,VRユーザエクスペリエンス予測の改善手法について検討する。
この研究はまずデータを統計的に分析し、続いて従来のランダム森林モデルを用いて訓練および試験を行い、スパロウ探索アルゴリズムによって改良されたランダム森林モデルと、反復的局所探索-スパロー探索アルゴリズムに基づいて改良されたランダム森林アルゴリズムを用いてランダム森林モデルを構築した。
その結果、従来のランダム林モデルでは、トレーニングセットで93%の予測精度を持つが、一般化が不十分なテストセットでは73.3%に過ぎず、一方、スパロウ探索アルゴリズムで改良されたモデルは、従来のモデルと比較して94%の予測精度を持つことがわかった。
さらに注目すべきは、反復的な局所探索-スパロー探索アルゴリズムに基づく改良されたモデルが、トレーニングとテストセットの両方で100%精度を達成し、他の2つの手法よりもはるかに優れていることである。
これらの研究結果は、VRユーザエクスペリエンス予測の新しいアイデアと方法、特に、反復的局所探索-スパロー探索アルゴリズムに基づく改善されたモデルを提供し、ユーザのVRエクスペリエンスをより正確に予測し、分類することができる。
将来的には、他の分野への本手法の適用をさらに検討し、実際の事例を通してその有効性を検証し、ユーザエクスペリエンス分野におけるAI技術の開発を促進することができる。
関連論文リスト
- Graspness Discovery in Clutters for Fast and Accurate Grasp Detection [57.81325062171676]
グレープネス(graspness)とは、散らばった場面で把握可能な領域を区別する幾何学的手がかりに基づく品質である。
本研究では,探索過程を近似するカスケード把握モデルを構築した。
大規模なベンチマークであるGraspNet-1Billionの実験では,提案手法が従来の手法よりも大きなマージンで優れていたことが示されている。
論文 参考訳（メタデータ） (2024-06-17T02:06:47Z) - Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。
カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。
提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
論文 参考訳（メタデータ） (2024-02-13T06:39:15Z) - Forward-Forward Algorithm for Hyperspectral Image Classification: A
Preliminary Study [0.0]
フォワードフォワードアルゴリズム(FFA)は、ネットワークパラメータを最適化するために局所良性関数を計算する。
本研究では,FFAのハイパースペクトル画像分類への応用について検討した。
論文 参考訳（メタデータ） (2023-07-01T05:39:28Z) - A Tent L\'evy Flying Sparrow Search Algorithm for Feature Selection: A
COVID-19 Case Study [1.6436293069942312]
情報科学の急速な発展によって引き起こされる「次元のカルス」は、大きなデータセットを扱う際に悪影響を及ぼす可能性がある。
本研究では,スナロー探索アルゴリズム(SSA)の変種であるTent L'evy Flying Sparrow Searchアルゴリズム(TFSSA)を提案する。
TFSSAは、分類のためにパッキングパターンにおける機能の最も優れたサブセットを選択するために使用される。
論文 参考訳（メタデータ） (2022-09-20T15:12:10Z) - Empirical Evaluation of Project Scheduling Algorithms for Maximization
of the Net Present Value [0.0]
本稿では,3つのプロジェクトスケジューリングアルゴリズムの実証的性能解析について述べる。
選択されたアルゴリズムは、Recursive Search (RS)、Steepest Ascent Approach (SAA)、Hybrid Search (HS)である。
論文 参考訳（メタデータ） (2022-07-05T03:01:33Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳（メタデータ） (2022-06-16T11:44:11Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-18T17:25:43Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - Genealogical Population-Based Training for Hyperparameter Optimization [1.0514231683620516]
本研究では,計算コストの2倍から3倍に削減できることを実験的に実証した。
本手法は探索アルゴリズムであり,内部探索ルーチンをTPE,GP,CMA,ランダム探索などの任意の探索アルゴリズムにすることができる。
論文 参考訳（メタデータ） (2021-09-30T08:49:41Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。
最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。
微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
論文 参考訳（メタデータ） (2020-06-18T08:23:02Z)
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。