論文の概要: A Hybrid Framework for Healing Semigroups with Machine Learning

• arxiv url: http://arxiv.org/abs/2509.01763v1
• Date: Mon, 01 Sep 2025 20:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.83791
• Title: A Hybrid Framework for Healing Semigroups with Machine Learning
• Title（参考訳）: 機械学習による半グループ修復のためのハイブリッドフレームワーク
• Authors: Sarayu Sirikonda, Jasper van de Kreeke,
• Abstract要約: 本稿では, ランダムフォレストを用いた機械学習と決定論的修復戦略を組み合わせた, 破損した有限半群を修復するハイブリッドフレームワークを提案する。 本実験は,Mace4 生成データセットを用いて,決定論的・ML のみのベースラインよりも高い治癒率を達成できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a hybrid framework that heals corrupted finite semigroups, combining deterministic repair strategies with Machine Learning using a Random Forest Classifier. Corruption in these tables breaks associativity and invalidates the algebraic structure. Deterministic methods work for small cardinality n and low corruption but degrade rapidly. Our experiments, carried out on Mace4-generated data sets, demonstrate that our hybrid framework achieves higher healing rates than deterministic-only and ML-only baselines. At a corruption percentage of p=15%, our framework healed 95% of semigroups up to cardinality n=6 and 60% at n=10.
• Abstract（参考訳）: 本稿では,有限半群を修復するハイブリッドフレームワークを提案し,ランダムフォレスト分類器を用いて決定論的修復戦略と機械学習を組み合わせる。 これらの表の崩壊は結合性を破り、代数構造を無効にする。 決定論的手法は、小さな濃度nと低い汚職に対して作用するが、急速に劣化する。 本実験は,Mace4 生成したデータセットを用いて,決定論的・ML のみのベースラインよりも高い治癒率を達成できることを実証した。 p=15%の汚職率で,n=6,n=10で60%までの半群の95%を修復した。

関連論文リスト

• Generalization Performance of Ensemble Clustering: From Theory to Algorithm [57.176040163699554]
  本稿では,アンサンブルクラスタリングにおける一般化誤差,過剰リスク,一貫性に着目した。 有限クラスタリングに様々な重みを割り当てることで、経験的平均クラスタリングと期待値との誤差を最小化する。 我々は、新しいアンサンブルクラスタリングアルゴリズムを開発するために、我々の理論をインスタンス化する。
  論文  参考訳（メタデータ） (2025-06-01T09:34:52Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  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)
• Unified Classification and Rejection: A One-versus-All Framework [47.58109235690227]
  我々は,オープンな集合分類器を構築するための統一的なフレームワークを構築した。 K の $-class 問題を $ K $ 1-versus-all (OVA) のバイナリ分類タスクに分解することにより、OVA 分類器のスコアを組み合わせることで、$ (K+1) の $-class rear 確率が得られることを示す。 一般的なOSRおよびOOD検出データセットの実験により、提案するフレームワークは、単一のマルチクラス分類器を使用して、競合性能を得ることを示した。
  論文  参考訳（メタデータ） (2023-11-22T12:47:12Z)
• Distributionally Robust Optimization with Probabilistic Group [24.22720998340643]
  分散ロバストな最適化のための新しいフレームワークPG-DROを提案する。 私たちのフレームワークの鍵は、ハードグループアノテーションではなく、ソフトグループメンバシップです。 本フレームワークは,グループメンバシップの曖昧さに対処し,従来の技術よりも柔軟性と汎用性を提供する。
  論文  参考訳（メタデータ） (2023-03-10T09:31:44Z)
• Improved Group Robustness via Classifier Retraining on Independent Splits [6.930560177764658]
  群分布的ロバスト最適化は、強力な最悪群性能を持つ学習モデルのベースラインとして広く使われている。 本稿では,トレーニングデータの独立分割に基づくリトレーニングのアイデアに基づいて,簡単な手法を設計する。 新たなサンプル分割手法を用いることで、微調整工程において、ロバストな最悪のグループ性能が得られることが判明した。
  論文  参考訳（メタデータ） (2022-04-20T16:22:27Z)
• Computationally efficient sparse clustering [67.95910835079825]
  我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。 ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
  論文  参考訳（メタデータ） (2020-05-21T17:51:30Z)

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。