Fugu-MT 論文翻訳(概要): Improved Replicable Boosting with Majority-of-Majorities

論文の概要: Improved Replicable Boosting with Majority-of-Majorities

arxiv url: http://arxiv.org/abs/2501.18388v2
Date: Tue, 04 Feb 2025 07:57:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 11:34:33.258438
Title: Improved Replicable Boosting with Majority-of-Majorities
Title（参考訳）: 大規模化によるリプリケータブルブースティングの改善
Authors: Kasper Green Larsen, Markus Engelund Mathiasen, Clement Svendsen,
Abstract要約: 本稿では,従来のアルゴリズムと比較して,サンプルの複雑さを大幅に改善するレプリカブルブースティングアルゴリズムを提案する。このアルゴリズムは、Impagliazzoらによって導入されたレプリカブルブースティングアルゴリズムの改良版([2022])を下層層に導入して、2つの過半数投票を行う。
参考スコア（独自算出の注目度）: 10.985323882432086
License:
Abstract: We introduce a new replicable boosting algorithm which significantly improves the sample complexity compared to previous algorithms. The algorithm works by doing two layers of majority voting, using an improved version of the replicable boosting algorithm introduced by Impagliazzo et al. [2022] in the bottom layer.
Abstract（参考訳）: 本稿では,従来のアルゴリズムと比較して,サンプルの複雑さを大幅に改善するレプリカブルブースティングアルゴリズムを提案する。このアルゴリズムは、Impagliazzoらが[2022]で導入したレプリカブルブースティングアルゴリズムの改良版を使って、2層の多数決を行う。

関連論文リスト

Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文参考訳（メタデータ） (2024-11-07T17:05:31Z)
The Many Faces of Optimal Weak-to-Strong Learning [10.985323882432086]
提案手法は, サンプルの複雑さを証明し得る, 驚くほど単純なブースティングアルゴリズムである。我々のパイロット実験研究は、我々の新しいアルゴリズムが大規模なデータセットで以前のアルゴリズムより優れていることを示唆している。
論文参考訳（メタデータ） (2024-08-30T09:38:51Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
A Fully Single Loop Algorithm for Bilevel Optimization without Hessian Inverse [121.54116938140754]
両レベル最適化問題に対して,Hessian 逆フリーな完全単一ループアルゴリズムを提案する。我々のアルゴリズムは$O(epsilon-2)$と収束することを示す。
論文参考訳（メタデータ） (2021-12-09T02:27:52Z)
Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。両レベル最適化のための2つの新しいアルゴリズムを提案する。両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文参考訳（メタデータ） (2021-06-08T21:05:30Z)
Distributed Proximal Splitting Algorithms with Rates and Acceleration [7.691755449724637]
解に対する関数値の最適値または距離の新しいレートで、線形および線形収束結果を導出する。本稿では,これらのアルゴリズムの分散変種を提案する。
論文参考訳（メタデータ） (2020-10-02T12:35:09Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)
Efficient Inverse-Free Incremental and Decremental Algorithms for Multiple Hidden Nodes in Extreme Learning Machine [0.0]
本稿では,Tikhonov正則化を用いたEMMのための2つの逆フリーアルゴリズムを提案する。また,Tikhonov正則化を用いたEMMのための2つの効率的な除算学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-04-27T07:04:41Z)
On the Dual Formulation of Boosting Algorithms [92.74617630106559]
AdaBoost,LogitBoost,Soft-marginBoostのラグランジュ問題は、すべて一般化されたヒンジ損失エントロピーの双対問題であることを示す。これらのブースティングアルゴリズムの2つの問題を見て、より良いマージン分布を維持するという観点から、ブースティングの成功を理解することができることを示す。
論文参考訳（メタデータ） (2009-01-23T02:14:42Z)

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。