論文の概要: e-Fold Cross-Validation for energy-aware Machine Learning Evaluations
- arxiv url: http://arxiv.org/abs/2410.09463v1
- Date: Sat, 26 Oct 2024 18:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 14:14:38.053868
- Title: e-Fold Cross-Validation for energy-aware Machine Learning Evaluations
- Title（参考訳）: e-Fold Cross-Validation for Energy-Aware Machine Learning Evaluations
- Authors: Christopher Mahlich, Tobias Vente, Joeran Beel,
- Abstract要約: e-fold cross-validationはk-fold cross-validationのエネルギー効率の良い代替品である。
10倍のクロスバリデーションよりも4倍の折りたたみが必要であり、評価時間、計算資源、エネルギー使用量を約40%削減する。
E-foldクロスバリデーションは、k-foldの信頼性と効率的な代替手段を提供し、精度を維持しながら計算コストを削減する。
- 参考スコア（独自算出の注目度）: 0.10241134756773229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces e-fold cross-validation, an energy-efficient alternative to k-fold cross-validation. It dynamically adjusts the number of folds based on a stopping criterion. The criterion checks after each fold whether the standard deviation of the evaluated folds has consistently decreased or remained stable. Once met, the process stops early. We tested e-fold cross-validation on 15 datasets and 10 machine-learning algorithms. On average, it required 4 fewer folds than 10-fold cross-validation, reducing evaluation time, computational resources, and energy use by about 40%. Performance differences between e-fold and 10-fold cross-validation were less than 2% for larger datasets. More complex models showed even smaller discrepancies. In 96% of iterations, the results were within the confidence interval, confirming statistical significance. E-fold cross-validation offers a reliable and efficient alternative to k-fold, reducing computational costs while maintaining accuracy.
- Abstract（参考訳）: 本稿では,k-foldクロスバリデーションに代わるエネルギー効率のよいe-foldクロスバリデーションを提案する。
停止基準に基づいて折りたたみ数を動的に調整する。
各折り曲げ後の基準値は、評価された折り曲げの標準偏差が一貫して減少しているか、安定しているかを判定する。
一度会えば、プロセスは早く止まる。
15のデータセットと10の機械学習アルゴリズムでe-foldクロスバリデーションを検証した。
平均すると、10倍のクロスバリデーションよりも4倍の折りたたみが必要であり、評価時間、計算資源、エネルギー使用量を約40%削減した。
e-foldと10-foldのクロスバリデーションのパフォーマンス差は、より大きなデータセットでは2%未満であった。
より複雑なモデルはより小さな相違を示した。
96%の反復において、結果は信頼区間内にあり、統計的意義が確認された。
E-foldクロスバリデーションは、k-foldの信頼性と効率的な代替手段を提供し、精度を維持しながら計算コストを削減する。
関連論文リスト
- Don't Waste Your Time: Early Stopping Cross-Validation [41.092016771160566]
クロスバリデーションは、単一の構成を検証する際の計算コストを大幅に向上させる。
本研究は, 単純な理解や実装が容易な方法であっても, モデル選択がより高速に収束できることを示す。
論文 参考訳（メタデータ） (2024-05-06T11:51:09Z) - Online Estimation with Rolling Validation: Adaptive Nonparametric Estimation with Streaming Data [13.069717985067937]
そこで本稿では,オンラインの相互検証方式である重み付き転がりバリデーション手法を提案する。
バッチクロスバリデーションと同様に、ベース推定器を強化して、より優れた適応収束率を達成することができる。
論文 参考訳（メタデータ） (2023-10-18T17:52:57Z) - Reducing Variance in Temporal-Difference Value Estimation via Ensemble
of Deep Networks [109.59988683444986]
MeanQは単純なアンサンブル法であり、ターゲット値をアンサンブル平均として推定する。
本稿では,Atari Learning Environmentベンチマークを用いた実験において,MeanQが顕著なサンプル効率を示すことを示す。
論文 参考訳（メタデータ） (2022-09-16T01:47:36Z) - Fast and Informative Model Selection using Learning Curve
Cross-Validation [2.28438857884398]
クロスバリデーションメソッドは、大規模なデータセットでは不要に遅くなる可能性がある。
学習曲線(LCCV)に基づく新しい検証手法を提案する。
LCCVは反復的にトレーニングに使用されるインスタンスの数を増やします。
論文 参考訳（メタデータ） (2021-11-27T14:48:52Z) - VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。
従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。
現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文 参考訳（メタデータ） (2021-06-18T17:04:57Z) - Fast calculation of Gaussian Process multiple-fold cross-validation
residuals and their covariances [0.6091702876917281]
高速離脱式を複数倍のクロスバリデーションに一般化する。
単純クリグフレームワークと普遍クリグフレームワークの両方において,クロスバリデーション残差の共分散構造を強調した。
本研究の結果は, 高速な多次元クロスバリデーションを可能にし, モデル診断において直接的な結果をもたらす。
論文 参考訳（メタデータ） (2021-01-08T17:02:37Z) - Cross-validation Confidence Intervals for Test Error [83.67415139421448]
この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。
結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
論文 参考訳（メタデータ） (2020-07-24T17:40:06Z) - Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。
認証精度は5.78%,44.96%,43.19%であった。
論文 参考訳（メタデータ） (2020-06-01T05:55:18Z) - Towards new cross-validation-based estimators for Gaussian process
regression: efficient adjoint computation of gradients [0.0]
スコアリングルールの文献から得られた新しいクロスバリデーション基準を用いることを提案する。
また、クロスバリデーション基準の勾配を計算するための効率的な方法も提案する。
論文 参考訳（メタデータ） (2020-02-26T14:50:54Z) - Cross-Iteration Batch Normalization [67.83430009388678]
本稿では,CBN(Cross-It Batch Normalization)を提案する。
CBNは、提案した補償手法を使わずに、元のバッチ正規化と過去の繰り返しの統計の直接計算より優れていた。
論文 参考訳（メタデータ） (2020-02-13T18:52:57Z)
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。