論文の概要: Safe Screening Rules for Group SLOPE

• arxiv url: http://arxiv.org/abs/2506.09451v1
• Date: Wed, 11 Jun 2025 06:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.662289
• Title: Safe Screening Rules for Group SLOPE
• Title（参考訳）: グループSLOPEの安全なスクリーニングルール
• Authors: Runxue Bao, Quanchao Lu, Yanfu Zhang,
• Abstract要約: 群 SLOPE は、予測子の群を適応的に選択するためによく機能する。 しかし、グループSLOPEのブロック非分離群効果は、既存のメソッドを無効または非効率にする。 ゼロ係数をもつ不活性群を効率的に同定するグループSLOPEモデルに適した安全なスクリーニングルールを導入する。
• 参考スコア（独自算出の注目度）: 10.831609326463756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variable selection is a challenging problem in high-dimensional sparse learning, especially when group structures exist. Group SLOPE performs well for the adaptive selection of groups of predictors. However, the block non-separable group effects in Group SLOPE make existing methods either invalid or inefficient. Consequently, Group SLOPE tends to incur significant computational costs and memory usage in practical high-dimensional scenarios. To overcome this issue, we introduce a safe screening rule tailored for the Group SLOPE model, which efficiently identifies inactive groups with zero coefficients by addressing the block non-separable group effects. By excluding these inactive groups during training, we achieve considerable gains in computational efficiency and memory usage. Importantly, the proposed screening rule can be seamlessly integrated into existing solvers for both batch and stochastic algorithms. Theoretically, we establish that our screening rule can be safely employed with existing optimization algorithms, ensuring the same results as the original approaches. Experimental results confirm that our method effectively detects inactive feature groups and significantly boosts computational efficiency without compromising accuracy.
• Abstract（参考訳）: 可変選択は、特に群構造が存在する場合、高次元スパース学習において難しい問題である。 群 SLOPE は、予測子の群を適応的に選択するためによく機能する。 しかし、グループSLOPEのブロック非分離群効果は、既存のメソッドを無効または非効率にする。 その結果、グループSLOPEは、実用的な高次元シナリオにおいて、計算コストとメモリ使用量を大幅に増加させる傾向にある。 この問題を解決するために,グループSLOPEモデルに適した安全なスクリーニングルールを導入する。 トレーニング中にこれらの非アクティブなグループを除外することにより、計算効率とメモリ使用量を大幅に向上させることができる。 重要なことに、提案されたスクリーニングルールは、バッチアルゴリズムと確率アルゴリズムの両方において、既存のソルバにシームレスに統合できる。 理論的には、我々のスクリーニングルールは既存の最適化アルゴリズムに安全に適用でき、元の手法と同じ結果が得られることが保証される。 実験の結果,不活性な特徴群を効果的に検出し,精度を損なうことなく計算効率を大幅に向上することが確認された。

関連論文リスト

• Safe Screening Rules for Group OWL Models [10.831609326463756]
  Group Ordered Weighted $L_1$-Norm (Group OWL) 正規化モデルは,高次元スパースマルチタスク学習に有効な手法として出現している。 グループOWLモデルは通常、高次元シナリオにおいて特徴量が大きい場合、膨大な計算コストとメモリ使用量に悩まされる。 本稿では,非分離型ペナルティを効果的に扱うことにより,グループOWLモデルの安全なスクリーニングルールを提案する。
  論文  参考訳（メタデータ） (2025-04-04T04:07:37Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [53.96714099151378]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Achieving Sample and Computational Efficient Reinforcement Learning by Action Space Reduction via Grouping [7.691755449724638]
  強化学習は、しばしば高次元空間における状態や行動の指数的な成長に対処する必要がある。 我々は、動作に類似したMDPの固有の構造を学び、性能劣化とサンプル/計算の複雑さを適切にバランスさせる。
  論文  参考訳（メタデータ） (2023-06-22T15:40:10Z)
• Anti-Exploration by Random Network Distillation [63.04360288089277]
  ランダムネットワーク蒸留 (RND) の条件付けは, 不確実性推定器として用いるのに十分な識別性がないことを示す。 この制限は、FiLM(Feature-wise Linear Modulation)に基づく条件付けによって回避できることを示す。 D4RLベンチマークで評価したところ、アンサンブルベースの手法に匹敵する性能を達成でき、アンサンブルのない手法よりも広いマージンで性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-01-31T13:18:33Z)
• Feature Grouping and Sparse Principal Component Analysis [23.657672812296518]
  Grouping and Sparse principal Analysis (SPCA) はデータ処理次元の削減に広く利用されている。 FGSPCAは、荷重が不均一な同種群に属することを許容し、空間性は特別な場合である。
  論文  参考訳（メタデータ） (2021-06-25T15:08:39Z)
• Certifiably Polynomial Algorithm for Best Group Subset Selection [0.9667631210393929]
  ベストグループサブセットの選択は、応答変数の最良の解釈可能性を達成するために重複しないグループの小さな部分を選択することを目的としている。 有効群を反復的に検出し,無力群を除外するグループスプライシングアルゴリズムを提案する。 提案手法の効率と精度を,合成データセットと実世界のデータセットを比較して検証する。
  論文  参考訳（メタデータ） (2021-04-23T03:05:11Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。