Fugu-MT 論文翻訳(概要): Enriched Functional Tree-Based Classifiers: A Novel Approach Leveraging Derivatives and Geometric Features

論文の概要: Enriched Functional Tree-Based Classifiers: A Novel Approach Leveraging Derivatives and Geometric Features

arxiv url: http://arxiv.org/abs/2409.17804v1
Date: Thu, 26 Sep 2024 12:57:47 GMT
ステータス: 処理完了
システム内更新日: 2024-09-28 19:42:02.047892
Title: Enriched Functional Tree-Based Classifiers: A Novel Approach Leveraging Derivatives and Geometric Features
Title（参考訳）: リッチ機能木ベース分類器:新しいアプローチ誘導体と幾何学的特徴
Authors: Fabrizio Maturo, Annamaria Porreca
Abstract要約: 本研究では,高次元時系列の分類手法として,関数型データ分析(FDA)と木に基づくアンサンブル技術を統合した教師付き分類手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The positioning of this research falls within the scalar-on-function classification literature, a field of significant interest across various domains, particularly in statistics, mathematics, and computer science. This study introduces an advanced methodology for supervised classification by integrating Functional Data Analysis (FDA) with tree-based ensemble techniques for classifying high-dimensional time series. The proposed framework, Enriched Functional Tree-Based Classifiers (EFTCs), leverages derivative and geometric features, benefiting from the diversity inherent in ensemble methods to further enhance predictive performance and reduce variance. While our approach has been tested on the enrichment of Functional Classification Trees (FCTs), Functional K-NN (FKNN), Functional Random Forest (FRF), Functional XGBoost (FXGB), and Functional LightGBM (FLGBM), it could be extended to other tree-based and non-tree-based classifiers, with appropriate considerations emerging from this investigation. Through extensive experimental evaluations on seven real-world datasets and six simulated scenarios, this proposal demonstrates fascinating improvements over traditional approaches, providing new insights into the application of FDA in complex, high-dimensional learning problems.
Abstract（参考訳）: この研究の位置づけは、スカラー・オン・ファンクショナル分類文学(スカラー・オン・ファンクショナル分類文学)に属する。本研究では,高次元時系列の分類手法として,関数型データ分析(FDA)と木に基づくアンサンブル技術を統合した教師付き分類手法を提案する。 The proposed framework, Enriched Functional Tree-Based Classifiers (EFTCs) は、微分と幾何学的特徴を活用し、アンサンブル法に固有の多様性の恩恵を受け、予測性能をさらに向上し、分散を低減する。機能分類木(FCT)、機能的K-NN(FKNN)、機能的ランダムフォレスト(FRF)、機能的XGBoost(FXGB)、機能的光GBM(FLGBM)の濃縮について検討されてきたが、本研究から適切な考察が得られた。 7つの実世界のデータセットと6つのシミュレーションシナリオに関する広範な実験的評価を通じて、この提案は従来のアプローチよりも魅力的な改善を示し、複雑な高次元学習問題におけるFDAの適用に関する新たな洞察を提供する。

関連論文リスト

Enriching Tabular Data with Contextual LLM Embeddings: A Comprehensive Ablation Study for Ensemble Classifiers [20.46918103875102]
本研究では,大規模言語モデルの埋め込みから派生した特徴を持つデータセットを豊かにするための体系的アプローチを提案する。我々はRoBERTaとGPT-2の埋め込みがランダムフォレスト、XGBoost、CatBoostなどのアンサンブル分類器に与える影響を評価する。その結果,埋め込みと従来の数値的特徴とカテゴリー的特徴を統合することで,予測性能が向上することが示唆された。
論文参考訳（メタデータ） (2024-11-03T17:45:00Z)
Ranking Perspective for Tree-based Methods with Applications to Symbolic Feature Selection [3.2964064859807496]
木に基づく手法は統計学や機械学習において強力な非パラメトリック手法である。近年の応用は、現在の理論的理解の下では明らかでない変換を区別する驚くべき能力を明らかにしている。この研究は、ランク付けの観点から木に基づく手法の有限サンプル解析を提供する。
論文参考訳（メタデータ） (2024-10-03T16:03:39Z)
Randomized Spline Trees for Functional Data Classification: Theory and Application to Environmental Time Series [0.0]
本稿ではランダム化された関数表現をランダムフォレストフレームワークに組み込むことで2つのアプローチをブリッジする新しいアルゴリズムであるランダム化されたスプラインツリー(RST)を紹介する。 RSTは、ランダム化されたB-スプラインパラメータを用いて入力データの多様な機能表現を生成し、これらの様々な表現に基づいて訓練された決定ツリーのアンサンブルを生成する。その結果、RTTの変種は、ほとんどのデータセットで標準のランダムフォレストやグラディエントブースティングよりも優れており、分類精度は最大14%向上した。
論文参考訳（メタデータ） (2024-09-12T09:38:16Z)
Augmented Functional Random Forests: Classifier Construction and Unbiased Functional Principal Components Importance through Ad-Hoc Conditional Permutations [0.0]
本稿では,木に基づく手法と関数型データ解析を統合した新しい教師付き分類手法を提案する。機能的分類木と機能的ランダム林の拡張版を提案し,機能的主成分の重要性を評価するための新しいツールを取り入れた。
論文参考訳（メタデータ） (2024-08-23T15:58:41Z)
Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
論文参考訳（メタデータ） (2024-06-12T08:31:34Z)
Generating Hierarchical Structures for Improved Time Series Classification Using Stochastic Splitting Functions [0.0]
本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
論文参考訳（メタデータ） (2023-09-21T10:34:50Z)
Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文参考訳（メタデータ） (2023-05-24T11:05:12Z)
Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文参考訳（メタデータ） (2022-10-03T07:59:42Z)
Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文参考訳（メタデータ） (2021-03-22T20:36:34Z)
Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文参考訳（メタデータ） (2021-03-05T09:03:03Z)
MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。