論文の概要: MOSS: Multi-Objective Optimization for Stable Rule Sets

• arxiv url: http://arxiv.org/abs/2506.08030v1
• Date: Mon, 02 Jun 2025 03:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.177654
• Title: MOSS: Multi-Objective Optimization for Stable Rule Sets
• Title（参考訳）: MOSS: 安定なルールセットのための多目的最適化
• Authors: Brian Liu, Rahul Mazumder,
• Abstract要約: 安定な決定ルールセットを構築するための多目的最適化フレームワークであるMOSSを提案する。 MOSSは、予測性能と安定性の両方の観点から、最先端のルールアンサンブルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.55139316146852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MOSS, a multi-objective optimization framework for constructing stable sets of decision rules. MOSS incorporates three important criteria for interpretability: sparsity, accuracy, and stability, into a single multi-objective optimization framework. Importantly, MOSS allows a practitioner to rapidly evaluate the trade-off between accuracy and stability in sparse rule sets in order to select an appropriate model. We develop a specialized cutting plane algorithm in our framework to rapidly compute the Pareto frontier between these two objectives, and our algorithm scales to problem instances beyond the capabilities of commercial optimization solvers. Our experiments show that MOSS outperforms state-of-the-art rule ensembles in terms of both predictive performance and stability.
• Abstract（参考訳）: 安定な決定ルールセットを構築するための多目的最適化フレームワークであるMOSSを提案する。 MOSSは、空間性、精度、安定性の3つの重要な解釈可能性の基準を、単一の多目的最適化フレームワークに組み込んでいる。 重要なことに、MOSSは適切なモデルを選択するためにスパースルールセットの精度と安定性のトレードオフを迅速に評価することができる。 我々は,これらの2つの目的の間のParetoフロンティアを高速に計算する特殊な切削平面アルゴリズムを開発し,そのアルゴリズムは,商用最適化解法以上の問題インスタンスにスケールする。 実験の結果,MOSSは予測性能と安定性の両方の観点から,最先端のルールアンサンブルよりも優れていることがわかった。

関連論文リスト

• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• Federated Distributionally Robust Optimization with Non-Convex Objectives: Algorithm and Analysis [24.64654924173679]
  Asynchronous Single-looP alternatIve gRadient projEction という非同期分散アルゴリズムを提案する。 新しい不確実性集合、すなわち制約付きD-ノルムの不確実性集合は、以前の分布を利用し、強靭性の度合いを柔軟に制御するために開発される。 実世界のデータセットに関する実証研究は、提案手法が高速収束を達成できるだけでなく、悪意のある攻撃だけでなく、データに対する堅牢性も維持できることを示した。
  論文  参考訳（メタデータ） (2023-07-25T01:56:57Z)
• Bi-objective Ranking and Selection Using Stochastic Kriging [0.0]
  両目的のランク付けと選択の問題について検討し,その2つの目的が不確実性をもって観測された。 そこで本研究では,競合する解に対して逐次サンプルを割り当てるバイーシアン双対象ランクと選別法を提案する。 実験結果から,提案手法は標準的なアロケーション手法よりも優れており,また,よく知られた最先端のアルゴリズムも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-09-05T23:51:07Z)
• Markov Decision Processes under Model Uncertainty [0.0]
  モデル不確実性の下でマルコフ決定問題に対する一般的な枠組みを導入する。 このフレームワークをS&P 500のデータを含むポートフォリオ最適化に適用する。
  論文  参考訳（メタデータ） (2022-06-13T12:51:31Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)
• Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
  本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。 本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
  論文  参考訳（メタデータ） (2021-03-24T03:03:13Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)

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。