論文の概要: Learning-Augmented Frequency Estimation in Sliding Windows

• arxiv url: http://arxiv.org/abs/2409.11516v1
• Date: Tue, 17 Sep 2024 19:38:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 19:59:44.524581
• Title: Learning-Augmented Frequency Estimation in Sliding Windows
• Title（参考訳）: スライディングウインドウにおける学習強化周波数推定
• Authors: Rana Shahout, Ibrahim Sabek, Michael Mitzenmacher,
• Abstract要約: 我々は、スライディングウインドウアルゴリズムを改善するために機械学習アプローチを利用する方法を示す。 我々の研究は、予測器が難易度の高いスライディングウインドウ設定に有用であることを示す。
• 参考スコア（独自算出の注目度）: 10.336003427313752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show how to utilize machine learning approaches to improve sliding window algorithms for approximate frequency estimation problems, under the ``algorithms with predictions'' framework. In this dynamic environment, previous learning-augmented algorithms are less effective, since properties in sliding window resolution can differ significantly from the properties of the entire stream. Our focus is on the benefits of predicting and filtering out items with large next arrival times -- that is, there is a large gap until their next appearance -- from the stream, which we show improves the memory-accuracy tradeoffs significantly. We provide theorems that provide insight into how and by how much our technique can improve the sliding window algorithm, as well as experimental results using real-world data sets. Our work demonstrates that predictors can be useful in the challenging sliding window setting.
• Abstract（参考訳）: 本稿では,機械学習の手法を応用して,近似周波数推定問題に対するスライディングウインドウアルゴリズムの改良手法について,<algorithms with Predictions'フレームワークを用いて述べる。 この動的環境下では、スライディングウインドウの解像度特性がストリーム全体の特性と大きく異なるため、従来の学習強化アルゴリズムは効果が低い。 私たちの焦点は、次の大きな到着時間でアイテムを予測し、フィルタリングするメリット — すなわち、ストリームから次の出現まで、大きなギャップがある — に重点を置いています。 我々は,スライドウインドウアルゴリズムをどの程度改善できるか,また実世界のデータセットを用いた実験結果について考察する。 我々の研究は、予測器が難易度の高いスライディングウインドウ設定に有用であることを示す。

関連論文リスト

• Efficiently Learning at Test-Time: Active Fine-Tuning of LLMs [37.01883745855289]
  本稿では,モデル応答の不確実性を低減するために設計されたデータ選択アルゴリズムSIFTを紹介する。 SIFTは計算オーバーヘッドを最小限に抑えながら、常に最近傍の検索より優れていることを示す。 我々は、Nearest Neighbor検索のドロップイン代替として使用できる$textttactiveft$ライブラリを提供する。
  論文  参考訳（メタデータ） (2024-10-10T15:17:49Z)
• Improved Graph-based semi-supervised learning Schemes [0.0]
  本研究では,ラベルの少ない大規模データセットの分類に対処するため,いくつかの既知のアルゴリズムの精度を向上させる。 私たちのフレームワークは、グラフベースの半教師あり学習の領域にあります。
  論文  参考訳（メタデータ） (2024-06-30T16:50:08Z)
• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Ordering for Non-Replacement SGD [7.11967773739707]
  我々は,アルゴリズムの非置換形式に対する収束率を改善する順序付けを求める。 我々は,強い凸関数と凸関数のステップサイズを一定かつ小さくするための最適順序付けを開発する。 さらに、注文とミニバッチを組み合わせることで、より複雑なニューラルネットワークにも適用できます。
  論文  参考訳（メタデータ） (2023-06-28T00:46:58Z)
• Fast Pareto Optimization Using Sliding Window Selection [13.264683014487376]
  本稿では,最近導入されたアルゴリズムに対してスライディングウインドウの高速化手法を提案する。 我々は,本手法が実行環境に悪影響を及ぼす重要な要因として個体群サイズを排除していることを証明した。
  論文  参考訳（メタデータ） (2023-05-11T23:23:49Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• 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)
• Frequency-aware SGD for Efficient Embedding Learning with Provable Benefits [35.543124939636044]
  本稿では,各トークンに対して周波数依存学習率を適用し,トークン分布が不均衡な場合にはSGDと比較して高い高速化を示す,大規模Descent(Counter-based)対応のDescentを提案する。
  論文  参考訳（メタデータ） (2021-10-10T16:17:43Z)
• Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
  本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。 我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-17T03:41:19Z)
• Learning with Differentiable Perturbed Optimizers [54.351317101356614]
  本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。 提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。 本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
  論文  参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。