論文の概要: Throwing Vines at the Wall: Structure Learning via Random Search

• arxiv url: http://arxiv.org/abs/2510.20035v1
• Date: Wed, 22 Oct 2025 21:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.845834
• Title: Throwing Vines at the Wall: Structure Learning via Random Search
• Title（参考訳）: 壁のVineをスローする:ランダム検索による構造学習
• Authors: Thibault Vatter, Thomas Nagler,
• Abstract要約: Vineコプラはフレキシブルな依存モデリングを提供し、機械学習で広く使われているが、構造学習は依然として重要な課題である。 構造選択を改善するランダム探索アルゴリズムとモデル信頼度セットに基づく統計的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 6.588840794922408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vine copulas offer flexible multivariate dependence modeling and have become widely used in machine learning, yet structure learning remains a key challenge. Early heuristics like the greedy algorithm of Dissmann are still considered the gold standard, but often suboptimal. We propose random search algorithms that improve structure selection and a statistical framework based on model confidence sets, which provides theoretical guarantees on selection probabilities and a powerful foundation for ensembling. Empirical results on several real-world data sets show that our methods consistently outperform state-of-the-art approaches.
• Abstract（参考訳）: Vineのコプラは柔軟な多変量依存モデリングを提供し、機械学習で広く使われているが、構造学習は依然として重要な課題である。 ディスマンのグリーディアルゴリズムのような初期のヒューリスティックスはまだ金の標準と考えられているが、しばしば準最適である。 本稿では,構造選択を改善するランダム探索アルゴリズムと,モデル信頼度セットに基づく統計的枠組みを提案し,選択確率の理論的保証と組立のための強力な基盤を提供する。 いくつかの実世界のデータセットにおける実証的な結果から、我々の手法は一貫して最先端の手法より優れていることが分かる。

関連論文リスト

• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• 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)
• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Federated Variational Inference Methods for Structured Latent Variable Models [1.0312968200748118]
  フェデレートされた学習方法は、データが元の場所を離れることなく、分散データソースをまたいだモデルトレーニングを可能にする。 本稿では,ベイズ機械学習において広く用いられている構造的変分推論に基づく汎用的でエレガントな解を提案する。 また、標準FedAvgアルゴリズムに類似した通信効率のよい変種も提供する。
  論文  参考訳（メタデータ） (2023-02-07T08:35:04Z)
• (De-)Randomized Smoothing for Decision Stump Ensembles [5.161531917413708]
  ツリーベースモデルは、金融や医療など、多くの高度なアプリケーションドメインで使われている。 本稿では,決定スタンプアンサンブルに対する決定論的スムース化を提案する。 決定論的ロバスト性証明は,数値的特徴と分類的特徴を併せ持つものである。
  論文  参考訳（メタデータ） (2022-05-27T11:23:50Z)
• Scalable Whitebox Attacks on Tree-based Models [2.3186641356561646]
  本稿では,木アンサンブルモデルに対する新しいホワイトボックス対逆ロバスト性試験手法を提案する。 サンプリングとログデリバティブのトリックを活用することで、提案手法は以前管理不能だったタスクのテストまでスケールアップできる。
  論文  参考訳（メタデータ） (2022-03-31T21:36:20Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。