Fugu-MT 論文翻訳(概要): Dynamic Meta-Learning for Adaptive XGBoost-Neural Ensembles

論文の概要: Dynamic Meta-Learning for Adaptive XGBoost-Neural Ensembles

arxiv url: http://arxiv.org/abs/2510.03301v1
Date: Tue, 30 Sep 2025 07:45:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-07 16:52:58.73152
Title: Dynamic Meta-Learning for Adaptive XGBoost-Neural Ensembles
Title（参考訳）: 適応型XGBoostニューラルアンサンブルのための動的メタラーニング
Authors: Arthur Sedek,
Abstract要約: 本稿では,高度なメタ学習を通じて,XGBoostとニューラルネットワークを相乗的に組み合わせた適応型アンサンブルフレームワークを提案する。実験結果から, 予測性能が向上し, 多様なデータセット間の解釈可能性も向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces a novel adaptive ensemble framework that synergistically combines XGBoost and neural networks through sophisticated meta-learning. The proposed method leverages advanced uncertainty quantification techniques and feature importance integration to dynamically orchestrate model selection and combination. Experimental results demonstrate superior predictive performance and enhanced interpretability across diverse datasets, contributing to the development of more intelligent and flexible machine learning systems.
Abstract（参考訳）: 本稿では,高度なメタ学習を通じて,XGBoostとニューラルネットワークを相乗的に組み合わせた適応型アンサンブルフレームワークを提案する。提案手法は, モデル選択と組み合わせを動的にオーケストレーションするために, 高度な不確実性定量化技術と特徴量積分を利用する。実験結果から、予測性能が向上し、多様なデータセット間の解釈可能性が向上し、よりインテリジェントで柔軟な機械学習システムの開発に寄与した。

関連論文リスト

High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。機能適応型INR(FA-INR)を提案する。
論文参考訳（メタデータ） (2025-06-07T16:45:17Z)
Deep Unrolled Meta-Learning for Multi-Coil and Multi-Modality MRI with Adaptive Optimization [0.0]
核磁気共鳴イメージング(MRI)のための統合型深層メタラーニングフレームワークを提案する。マルチコイル再構成とクロスモダリティ合成を共同で行う。その結果,従来の教師あり学習よりもPSNRが大幅に向上した。
論文参考訳（メタデータ） (2025-05-08T04:47:12Z)
Multimodal Magic Elevating Depression Detection with a Fusion of Text and Audio Intelligence [4.92323103166693]
本研究では,抑うつ分類の精度を高めるために,教師-学生アーキテクチャに基づく革新的なマルチモーダル融合モデルを提案する。本設計モデルは,マルチヘッドアテンション機構と重み付きマルチモーダルトランスファー学習を導入することで,特徴融合とモダリティウェイトアロケーションにおける従来の手法の限界に対処する。アブレーション実験により,提案モデルがF1スコアの99.1%をテストセットで達成し,単調な手法や従来の手法を著しく上回った。
論文参考訳（メタデータ） (2025-01-28T09:30:29Z)
Regularized Neural Ensemblers [55.15643209328513]
本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
論文参考訳（メタデータ） (2024-10-06T15:25:39Z)
Task adaption by biologically inspired stochastic comodulation [8.59194778459436]
我々は、利得変調による微調整畳み込みネットワークが、決定論的利得変調を改善することを示す。この結果から,コモディレーション表現はマルチタスク学習における学習効率と性能を向上させることが示唆された。
論文参考訳（メタデータ） (2023-11-25T15:21:03Z)
Multi-Objective Optimization of Performance and Interpretability of Tabular Supervised Machine Learning Models [0.9023847175654603]
解釈可能性の定量化には、特徴の空間性、特徴の相互作用の空間性、非単調な特徴効果の空間性という3つの尺度がある。我々のフレームワークは、非常に競争力のあるモデルや、最先端のXGBoostやExplainable Boosting Machineモデルよりも優れたモデルを見つけることができることを示す。
論文参考訳（メタデータ） (2023-07-17T00:07:52Z)
Adaptive Ensemble Learning: Boosting Model Performance through Intelligent Feature Fusion in Deep Neural Networks [0.0]
本稿では,ディープラーニングの性能向上を目的としたAdaptive Ensemble Learningフレームワークを提案する。このフレームワークは、より堅牢で適応可能なモデルを作成するために、アンサンブル学習戦略とディープラーニングアーキテクチャを統合する。インテリジェントな特徴融合手法を利用することで、フレームワークはより差別的で効果的な特徴表現を生成する。
論文参考訳（メタデータ） (2023-04-04T21:49:49Z)
Meta-learning using privileged information for dynamics [66.32254395574994]
Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
論文参考訳（メタデータ） (2021-04-29T12:18:02Z)
Trajectory-wise Multiple Choice Learning for Dynamics Generalization in Reinforcement Learning [137.39196753245105]
本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
論文参考訳（メタデータ） (2020-10-26T03:20:42Z)
Learning to Learn Kernels with Variational Random Features [118.09565227041844]
メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
論文参考訳（メタデータ） (2020-06-11T18:05:29Z)

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。