Fugu-MT 論文翻訳(概要): DOFEN: Deep Oblivious Forest ENsemble

論文の概要: DOFEN: Deep Oblivious Forest ENsemble

arxiv url: http://arxiv.org/abs/2412.16534v1
Date: Sat, 21 Dec 2024 08:25:23 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-24 16:00:46.422996
Title: DOFEN: Deep Oblivious Forest ENsemble
Title（参考訳）: DOFEN:深い森のアンサンブル
Authors: Kuan-Yu Chen, Ping-Han Chiang, Hsin-Rung Chou, Chih-Sheng Chen, Tien-Hao Chang,
Abstract要約: 本稿では,奥深い森のアンサンブルを表すDOFENを紹介する。 DOFENは、難解な決定木と列のオンオフスパース選択にインスパイアされた、新しいDNNアーキテクチャである。 Tabular Benchmark – 幅広いドメインにまたがる73のデータセットを含む。
参考スコア（独自算出の注目度）: 5.379290380015323
License:
Abstract: Deep Neural Networks (DNNs) have revolutionized artificial intelligence, achieving impressive results on diverse data types, including images, videos, and texts. However, DNNs still lag behind Gradient Boosting Decision Trees (GBDT) on tabular data, a format extensively utilized across various domains. This paper introduces DOFEN, which stands for Deep Oblivious Forest ENsemble. DOFEN is a novel DNN architecture inspired by oblivious decision trees and achieves on-off sparse selection of columns. DOFEN surpasses other DNNs on tabular data, achieving state-of-the-art performance on the well-recognized benchmark: Tabular Benchmark, which includes 73 total datasets spanning a wide array of domains. The code of DOFEN is available at: https://github.com/Sinopac-Digital-Technology-Division/DOFEN.
Abstract（参考訳）: Deep Neural Networks(DNN)は人工知能に革命をもたらし、画像、ビデオ、テキストなど、さまざまなデータタイプに対して素晴らしい成果を上げている。しかし、DNNはグラフデータでGBDT(Gradient Boosting Decision Tree)に遅れを取っている。本稿では,奥深い森のアンサンブルを表すDOFENを紹介する。 DOFENは、難解な決定木にインスパイアされた新しいDNNアーキテクチャで、カラムのスパース選択をオンオフで行う。 DOFENはグラフデータ上の他のDNNを上回り、よく認識されたベンチマークで最先端のパフォーマンスを達成する。 DOFENのコードは、https://github.com/Sinopac-Digital-Technology-Division/DOFENで公開されている。

関連論文リスト

NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
論文参考訳（メタデータ） (2024-08-28T02:17:58Z)
MatchNAS: Optimizing Edge AI in Sparse-Label Data Contexts via Automating Deep Neural Network Porting for Mobile Deployment [54.77943671991863]
MatchNASはDeep Neural Networksをモバイルデバイスに移植するための新しいスキームである。ラベル付きデータと非ラベル付きデータの両方を用いて、大規模なネットワークファミリを最適化する。そして、さまざまなハードウェアプラットフォーム用に調整されたネットワークを自動的に検索する。
論文参考訳（メタデータ） (2024-02-21T04:43:12Z)
When Do Neural Nets Outperform Boosted Trees on Tabular Data? [65.30290020731825]
私たちは一歩後退して、'NN vs. GBDT'議論の重要性に疑問を投げかけます。驚くほど多くのデータセットに対して、GBDTとNNのパフォーマンスの違いは無視できる。我々は、データセットのどの特性がNNやGBDTを適切に動作させるために適しているかを決定するために、数十のメタ機能を分析します。私たちの洞察は、実践者がデータセット上で最もうまく機能するテクニックを決定するためのガイドとして機能します。
論文参考訳（メタデータ） (2023-05-04T17:04:41Z)
Graph Neural Network contextual embedding for Deep Learning on Tabular Data [0.45880283710344055]
ディープラーニング(DL)は、自然言語処理のような人間のスキルに関連する分野において、AIにとって大きなブレークスルーとなっている。本稿では,グラフニューラルネットワーク(GNN)を用いた新しいDLモデル,特にインタラクションネットワーク(IN)を提案する。この結果は、最近発表された5つの公開データセットに基づいたDLベンチマークによる調査よりも優れており、増木ソリューションと比較しても競争力のある結果が得られている。
論文参考訳（メタデータ） (2023-03-11T17:13:24Z)
DecisioNet -- A Binary-Tree Structured Neural Network [0.12183405753834559]
本稿では,二分木構造ニューラルネットワークDecisioNet(DN)を提案する。 DNの変種は、元のネットワークの計算コストを大幅に削減しつつ、同様の精度を実現する。
論文参考訳（メタデータ） (2022-07-03T21:47:03Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
A comprehensive review of Binary Neural Network [2.918940961856197]
バイナリニューラルネットワーク(BNN)は、畳み込みニューラルネットワーク(CNN)パラメータ量子化の極端な応用である。近年のBNNの発展により、この問題に対処する多くのアルゴリズムやソリューションが生まれている。
論文参考訳（メタデータ） (2021-10-11T22:44:15Z)
Boost then Convolve: Gradient Boosting Meets Graph Neural Networks [6.888700669980625]
グラデーションブースト決定木(gbdt)は,異種データに対して他の機械学習手法よりも優れていることが示されている。我々は,gbdt と gnn を共同で訓練し,両世界のベストを勝ち取る新しいアーキテクチャを提案する。我々のモデルは、GNNの勾配更新に新しい木を適合させることにより、エンドツーエンドの最適化の恩恵を受ける。
論文参考訳（メタデータ） (2021-01-21T10:46:41Z)
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文参考訳（メタデータ） (2020-06-30T14:56:05Z)
Architecture Disentanglement for Deep Neural Networks [174.16176919145377]
ディープニューラルネットワーク(DNN)の内部動作を説明するために,ニューラルアーキテクチャ・ディコンタングルメント(NAD)を導入する。 NADは、訓練済みのDNNを独立したタスクに従ってサブアーキテクチャに切り離すことを学び、推論プロセスを記述する情報フローを形成する。その結果、誤分類された画像は、タスクサブアーキテクチャーに正しいサブアーキテクチャーに割り当てられる確率が高いことが示された。
論文参考訳（メタデータ） (2020-03-30T08:34:33Z)

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。