論文の概要: e-Fold Cross-Validation for Recommender-System Evaluation
- arxiv url: http://arxiv.org/abs/2412.01011v1
- Date: Mon, 02 Dec 2024 00:05:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:46:49.002378
- Title: e-Fold Cross-Validation for Recommender-System Evaluation
- Title（参考訳）: e-Fold Cross-Validation for Recommender-System Evaluation
- Authors: Moritz Baumgart, Lukas Wegmeth, Tobias Vente, Joeran Beel,
- Abstract要約: e-fold Cross Validationは、電力使用量の削減を実現するために、フォールドの数を最小限にすることを目的としている。
平均e-foldクロスバリデーションでは10倍のクロスバリデーションに必要なエネルギーの41.5%しか必要とせず、その結果は1.81%しか変わっていない。
- 参考スコア（独自算出の注目度）: 0.09374652839580183
- License:
- Abstract: To combat the rising energy consumption of recommender systems we implement a novel alternative for k-fold cross validation. This alternative, named e-fold cross validation, aims to minimize the number of folds to achieve a reduction in power usage while keeping the reliability and robustness of the test results high. We tested our method on 5 recommender system algorithms across 6 datasets and compared it with 10-fold cross validation. On average e-fold cross validation only needed 41.5% of the energy that 10-fold cross validation would need, while it's results only differed by 1.81%. We conclude that e-fold cross validation is a promising approach that has the potential to be an energy efficient but still reliable alternative to k-fold cross validation.
- Abstract（参考訳）: 推薦システムのエネルギー消費の増大に対処するため,k-foldクロスバリデーションの新たな代替手段を実装した。
e-fold Cross Validationと呼ばれるこの代替手段は、テスト結果の信頼性と堅牢性を高く保ちながら、電力使用量の削減を実現するために、フォールドの数を最小限にすることを目的としている。
提案手法を6つのデータセットにまたがる5つの推奨システムアルゴリズムで検証し、10倍のクロスバリデーションと比較した。
平均e-foldクロスバリデーションでは10倍のクロスバリデーションに必要なエネルギーの41.5%しか必要とせず、その結果は1.81%しか変わっていない。
我々は、e-fold Cross Validationはエネルギー効率が良いが、k-fold Cross Validationに代わる信頼できる可能性を持つ有望なアプローチであると結論付けた。
関連論文リスト
- From Theory to Practice: Implementing and Evaluating e-Fold Cross-Validation [0.10241134756773229]
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、計算コストを低減し、同等の精度を維持している。
論文 参考訳（メタデータ） (2024-10-12T09:56:28Z) - Crafting Distribution Shifts for Validation and Training in Single Source Domain Generalization [9.323285246024518]
単一ソースドメインの一般化は、ソースドメインのモデルを学習し、未確認のターゲットドメインにデプロイしようとする。
トレーニング分布に対する検証の標準的な実践は、モデルの一般化能力を正確に反映していない。
我々は、拡張の包括的リストでソースドメインイメージを変換することで、独立した検証セットを構築する。
論文 参考訳（メタデータ） (2024-09-29T20:52:50Z) - On Speeding Up Language Model Evaluation [48.51924035873411]
LLM(Large Language Models)を用いたプロンプトベースの手法の開発には、多くの意思決定が必要である。
この課題に対処するための新しい手法を提案する。
典型的に必要とされるリソースの5～15%しか必要とせず,トップパフォーマンスの手法を識別できることが示される。
論文 参考訳（メタデータ） (2024-07-08T17:48:42Z) - 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) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive
Person Re-Identification [54.174146346387204]
ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。
擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。
本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
論文 参考訳（メタデータ） (2021-12-28T07:40:12Z) - End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。
提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。
最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-06-16T17:59:30Z) - 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) - Bootstrap Bias Corrected Cross Validation applied to Super Learning [0.3670422696827526]
超学習者アルゴリズムは、複数のベース学習者の結果を組み合わせて予測の質を向上させることができる。
さまざまなサイズの人工データセットと7つの実バイオメディカルデータセットでテストが行われた。
Bootstrap Bias Correctionと呼ばれる再サンプリング手法は、ネストされたクロスバリデーションに対して、合理的に正確でコスト効率のよい代替手段であることが判明した。
論文 参考訳（メタデータ） (2020-03-18T17:12:42Z) - 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)
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。