論文の概要: Even Faster Hyperbolic Random Forests: A Beltrami-Klein Wrapper Approach

• arxiv url: http://arxiv.org/abs/2506.04360v1
• Date: Wed, 04 Jun 2025 18:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.370739
• Title: Even Faster Hyperbolic Random Forests: A Beltrami-Klein Wrapper Approach
• Title（参考訳）: より高速な多代謝ランダム林:ベルトラミ・クラインラッパーアプローチ
• Authors: Philippe Chlenski, Itsik Pe'er,
• Abstract要約: 双曲空間のベルトラミ・クラインモデルにおいて、ハイパーDTアルゴリズムをエレガントに表現する方法を示す。 これはユークリッド決定木で使われる閾値演算を保存する。
• 参考スコア（独自算出の注目度）: 0.7481505949203433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision trees and models that use them as primitives are workhorses of machine learning in Euclidean spaces. Recent work has further extended these models to the Lorentz model of hyperbolic space by replacing axis-parallel hyperplanes with homogeneous hyperplanes when partitioning the input space. In this paper, we show how the hyperDT algorithm can be elegantly reexpressed in the Beltrami-Klein model of hyperbolic spaces. This preserves the thresholding operation used in Euclidean decision trees, enabling us to further rewrite hyperDT as simple pre- and post-processing steps that form a wrapper around existing tree-based models designed for Euclidean spaces. The wrapper approach unlocks many optimizations already available in Euclidean space models, improving flexibility, speed, and accuracy while offering a simpler, more maintainable, and extensible codebase. Our implementation is available at https://github.com/pchlenski/hyperdt.
• Abstract（参考訳）: プリミティブとして使用する決定木やモデルはユークリッド空間における機械学習のワークホースである。 最近の研究は、入力空間を分割する際に軸平行超平面を均一な超平面に置き換えることで、これらのモデルを双曲空間のローレンツモデルに拡張した。 本稿では,双曲空間のベルトラミ・クラインモデルにおいて,ハイパーDTアルゴリズムをエレガントに表現する方法を示す。 これにより、ユークリッド決定木で使用されるしきい値操作を保存し、ハイパーDTを、ユークリッド空間用に設計された既存のツリーベースモデルにラッパーを形成する単純な前処理および後処理ステップとして、さらに書き換えることができます。 ラッパーアプローチは、ユークリッド空間モデルですでに利用可能な多くの最適化をアンロックし、柔軟性、スピード、正確性を改善し、よりシンプルで、メンテナンス性が高く、拡張可能なコードベースを提供する。 私たちの実装はhttps://github.com/pchlenski/hyperdt.comで公開しています。

関連論文リスト

• Machine Unlearning in Hyperbolic vs. Euclidean Multimodal Contrastive Learning: Adapting Alignment Calibration to MERU [50.9588132578029]
  本稿では,双曲型コントラスト学習における機械学習について検討する。 我々は、画像とテキストを双曲空間に埋め込んだモデルであるMERUにアライメントを適用し、セマンティック階層をよりよくキャプチャする。 提案手法では,双曲空間の特異性を利用したエンテーメントキャリブレーションやノルム正規化など,双曲特異成分を導入している。
  論文  参考訳（メタデータ） (2025-03-19T12:47:37Z)
• Mixed-Curvature Decision Trees and Random Forests [0.6656737591902598]
  決定木とランダムフォレストアルゴリズムを積空間多様体に拡張する。 本手法は積多様体の分類と回帰のための単純で表現力豊かな方法を実現する。 実装と実験のコードはhttps://github.com/pchlenski/embedders.comで公開されている。
  論文  参考訳（メタデータ） (2024-06-07T19:29:55Z)
• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• Fast hyperboloid decision tree algorithms [0.6656737591902598]
  我々は、決定木アルゴリズムの新たな拡張であるHyperDTを双曲空間に提示する。 私たちのアプローチは概念的には単純で、一定時間の意思決定の複雑さを維持します。 HyperDTの上に構築されたハイパーRFは、双曲的ランダムフォレストモデルである。
  論文  参考訳（メタデータ） (2023-10-20T22:31:10Z)
• A Unification Framework for Euclidean and Hyperbolic Graph Neural Networks [8.080621697426997]
  ハイパーボリックニューラルネットワークは、グラフデータセット固有の階層を効果的にキャプチャする。 層内の複数の非連続(ジャイロ-)ベクトル空間を絡み合わせることで、一般化と拡張性の観点から制限される。 検索空間としてPoincareディスクモデルを提案し,ディスク上にすべての近似を適用する。 我々のモデルは、解釈可能性や様々なモデルコンポーネントの効率的な実行といったユークリッドネットワークのパワーを利用するだけでなく、様々なベンチマークにおいてユークリッドと双曲の双方よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-09T05:33:02Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Provably Accurate and Scalable Linear Classifiers in Hyperbolic Spaces [39.71927912296049]
  スケーラブルで単純な双曲型線形分類器を学習するための統一的なフレームワークを提案する。 我々のアプローチの要点は、ポアンカーの球体モデルに焦点を合わせ、接空間形式を用いて分類問題を定式化することである。 Poincarの2階と戦略的パーセプトロンの優れた性能は、提案フレームワークが双曲空間における一般的な機械学習問題にまで拡張可能であることを示している。
  論文  参考訳（メタデータ） (2022-03-07T21:36:21Z)
• Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
  製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。 我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。 知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-17T11:06:59Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。