論文の概要: The Generalized Proximity Forest

• arxiv url: http://arxiv.org/abs/2511.19487v1
• Date: Sun, 23 Nov 2025 05:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.033758
• Title: The Generalized Proximity Forest
• Title（参考訳）: 一般化された近縁林
• Authors: Ben Shaw, Adam Rustad, Sofia Pelagalli Maia, Jake S. Rhodes, Kevin R. Moon,
• Abstract要約: 一般化されたPF(Proximity Forest)モデルを導入し、RFの近さをあらゆる文脈に広げる。 また、回帰タスクのためのPFモデルの変種も導入する。 一般化されたPFモデルの独特な利点をRFモデルと$k$-nearest近辺モデルと比較して実験的に実証した。
• 参考スコア（独自算出の注目度）: 5.502294814684756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has demonstrated the utility of Random Forest (RF) proximities for various supervised machine learning tasks, including outlier detection, missing data imputation, and visualization. However, the utility of the RF proximities depends upon the success of the RF model, which itself is not the ideal model in all contexts. RF proximities have recently been extended to time series by means of the distance-based Proximity Forest (PF) model, among others, affording time series analysis with the benefits of RF proximities. In this work, we introduce the generalized PF model, thereby extending RF proximities to all contexts in which supervised distance-based machine learning can occur. Additionally, we introduce a variant of the PF model for regression tasks. We also introduce the notion of using the generalized PF model as a meta-learning framework, extending supervised imputation capability to any pre-trained classifier. We experimentally demonstrate the unique advantages of the generalized PF model compared with both the RF model and the $k$-nearest neighbors model.
• Abstract（参考訳）: 近年の研究では、外れ値の検出、データ計算の欠如、可視化など、さまざまな教師付き機械学習タスクに対するランダムフォレスト(RF)確率の有用性が実証されている。 しかし、RFモデルの実用性は、すべての文脈において理想的なモデルではないRFモデルの成功に依存している。 RFの近距離性は、近距離性フォレスト(PF)モデルなどを用いて時系列に拡張され、RFの近距離性を利用した時系列解析が可能となった。 本研究では、一般化されたPFモデルを導入し、教師付き距離ベース機械学習が実現可能なすべての文脈にRF確率を拡大する。 さらに、回帰タスクのためのPFモデルの変種を導入する。 また、一般化されたPFモデルをメタラーニングフレームワークとして使用し、教師付き命令処理能力を任意の事前学習型分類器に拡張する概念についても紹介する。 一般化されたPFモデルの独特な利点をRFモデルと$k$-nearest近辺モデルと比較して実験的に実証した。

関連論文リスト

• RFG: Test-Time Scaling for Diffusion Large Language Model Reasoning with Reward-Free Guidance [101.30279597148973]
  プロセス報酬を明示せずにdLLMの推論軌道を導出するためのRFGを提案する。 RFGは、すべてのタスクとモデルタイプに一貫して大きな改善をもたらし、最大9.2%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-09-29T23:59:16Z)
• Learning Expressive Random Feature Models via Parametrized Activations [13.5257960837278]
  学習可能活性化関数(RFLAF)を用いたランダム特徴モデルを提案する。 RFLAFは、アクティベーション関数をランダム特徴フレームワーク内の基底関数の重み付け和としてパラメータ化する。 学習可能なアクティベーション成分を持つRAFFが表される関数空間を大きく広げていることを示す。
  論文  参考訳（メタデータ） (2024-11-29T04:38:12Z)
• Forest-ORE: Mining Optimal Rule Ensemble to interpret Random Forest models [0.0]
  本研究では,局所的およびグローバル的解釈のための最適化されたルールアンサンブル(ORE)を用いて,ランダムフォレスト(RF)を解釈可能にする手法であるフォレスト-OREを提案する。 良く知られた手法の比較分析は、フォレスト-OREが予測性能、解釈可能性カバレッジ、モデルサイズの間の優れたトレードオフを提供することを示している。
  論文  参考訳（メタデータ） (2024-03-26T10:54:07Z)
• ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
  テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。 我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:19:18Z)
• Enhanced Local Explainability and Trust Scores with Random Forest Proximities [0.9423257767158634]
  我々は任意のランダム森林回帰モデルと分類モデルを適応重み付きK近傍モデルとして数学的に定式化できるという事実を利用する。 この線形性は、トレーニングセットの観測における任意のモデル予測に対する属性を生成するRF予測の局所的な説明可能性を促進する。 本稿では, モデル予測だけでなく, サンプル外性能を説明するために, SHAPと組み合わせて, この近接性に基づく説明可能性のアプローチをいかに活用できるかを示す。
  論文  参考訳（メタデータ） (2023-10-19T02:42:20Z)
• Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction [77.69363640021503]
  3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。 本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
  論文  参考訳（メタデータ） (2023-04-13T17:59:01Z)
• Federated Multi-Armed Bandits [18.95281057580889]
  FMAB(Federated Multi-armed Bandits)は、教師付き学習において、FL(Federated Learning)フレームワークを並列化する新しいバンドイットパラダイムである。 本稿では,FMABの一般的な枠組みを提案し,その上で2つの特定の帯域幅モデルについて検討する。 やや意外なことに、順序-最適の後悔は、更新周期を慎重に選択したクライアントの数から独立して達成できることが示されています。
  論文  参考訳（メタデータ） (2021-01-28T18:59:19Z)

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。