Fugu-MT 論文翻訳(概要): MOSS: Multi-Objective Optimization for Stable Rule Sets

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

Learning What Matters: Probabilistic Task Selection via Mutual Information for Model Finetuning [20.93518809718398]
混合最適化のための原則的でスケーラブルなフレームワークであるTASKPGMを紹介する。 TASKPGMはマルコフランダム場(MRF)上のエネルギー関数を最小化して連続タスク比を選択する本手法は, 単純な制約下で閉形式解を導出し, タスク間の代表性と多様性を確実にバランスさせる。
論文参考訳（メタデータ） (2025-07-16T20:14:55Z)
Risk-Averse Best Arm Set Identification with Fixed Budget and Fixed Confidence [0.562479170374811]
本稿では,期待報酬の最大化と関連する不確実性の最小化に対処するバンディット最適化における新たな問題設定を提案する。固定信頼と固定最適体制の両方の下で動作可能な統一的メタ予算ゴリトミックフレームワークを提案する。提案手法は,精度と試料効率の両面で既存手法より優れている。
論文参考訳（メタデータ） (2025-06-27T14:21:03Z)
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)
Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文参考訳（メタデータ） (2020-09-01T19:12:11Z)
Distributionally Robust Bayesian Optimization [121.71766171427433]
そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
論文参考訳（メタデータ） (2020-02-20T22:04:30Z)

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。