論文の概要: Towards a Relationship-Aware Transformer for Tabular Data

• arxiv url: http://arxiv.org/abs/2512.07310v1
• Date: Mon, 08 Dec 2025 08:54:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.796444
• Title: Towards a Relationship-Aware Transformer for Tabular Data
• Title（参考訳）: 接尾辞データのための関係認識変換器の実現に向けて
• Authors: Andrei V. Konstantinov, Valerii A. Zuev, Lev V. Utkin,
• Abstract要約: 本稿では,アテンション行列に項を追加することで,データポイント間の関係を考慮に入れた改良型アテンション機構に基づくいくつかのソリューションを提案する。 IHDPデータセットの処理効果推定タスクと同様に、合成データセットと実世界のデータセットの回帰タスクにおいて、我々のモデルは互いに比較され、決定ツリーの勾配が増大する。
• 参考スコア（独自算出の注目度）: 0.6882042556551609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for tabular data typically do not allow for imposing a graph of external dependencies between samples, which can be useful for accounting for relatedness in tasks such as treatment effect estimation. Graph neural networks only consider adjacent nodes, making them difficult to apply to sparse graphs. This paper proposes several solutions based on a modified attention mechanism, which accounts for possible relationships between data points by adding a term to the attention matrix. Our models are compared with each other and the gradient boosting decision trees in a regression task on synthetic and real-world datasets, as well as in a treatment effect estimation task on the IHDP dataset.
• Abstract（参考訳）: 表形式のデータのディープラーニングモデルは、通常、サンプル間の外部依存関係のグラフを付与することができず、処理効果推定のようなタスクの関連性を考慮するのに有用である。 グラフニューラルネットワークは隣接ノードのみを考慮し、スパースグラフに適用することは困難である。 本稿では,アテンション行列に項を追加することで,データポイント間の関係を考慮に入れた改良型アテンション機構に基づくいくつかのソリューションを提案する。 IHDPデータセットの処理効果推定タスクと同様に、合成データセットと実世界のデータセットの回帰タスクにおいて、我々のモデルは互いに比較され、決定ツリーの勾配が増大する。

関連論文リスト

• Relational Database Distillation: From Structured Tables to Condensed Graph Data [48.347717300340435]
  グラフベースモデルに必要な電力を維持しつつ,大規模RDBをコンパクトなヘテロジニアスグラフに蒸留することを目的としている。 さらに、擬似ラベルを用いてカーネルリッジ回帰誘導目標を設計し、蒸留グラフの品質特性を創出する。
  論文  参考訳（メタデータ） (2025-10-08T13:05:31Z)
• Capturing the Temporal Dependence of Training Data Influence [100.91355498124527]
  我々は、訓練中にデータポイントを除去する影響を定量化する、軌跡特異的な離脱の影響の概念を定式化する。 軌道固有LOOの効率的な近似を可能にする新しい手法であるデータ値埋め込みを提案する。 データバリューの埋め込みは、トレーニングデータの順序付けをキャプチャするので、モデルトレーニングのダイナミクスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-12T18:28:55Z)
• Novel Representation Learning Technique using Graphs for Performance Analytics [0.0]
  本稿では,グラフニューラルネットワーク(GNN)技術の進歩を活用するために,パフォーマンスデータをグラフに変換する新しいアイデアを提案する。 ソーシャルネットワークのような他の機械学習アプリケーションドメインとは対照的に、グラフは提供されない。 我々は,GNNから生成された埋め込みの有効性を,単純なフィードフォワードニューラルネットワークによる回帰処理の性能評価に基づいて評価した。
  論文  参考訳（メタデータ） (2024-01-19T16:34:37Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Correlation visualization under missing values: a comparison between imputation and direct parameter estimation methods [4.963490281438653]
  様々なデータ手法が相関プロットに与える影響を比較し,ランダムとモノトーンという2つの共通欠落パターンに着目した。 実験では, 直接パラメータ推定手法であるDPERを用いて相関行列をプロットすることを推奨する。
  論文  参考訳（メタデータ） (2023-05-10T10:52:30Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Convergent Boosted Smoothing for Modeling Graph Data with Tabular Node Features [46.052312251801]
  本稿では,グラフ伝播ステップでブースティングを反復するフレームワークを提案する。 我々のアプローチは、原則化されたメタロス関数に固定されている。 様々な非イドグラフデータセットに対して,本手法は同等あるいは優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-10-26T04:53:12Z)
• Residual Correlation in Graph Neural Network Regression [39.54530450932135]
  我々は条件付き独立仮定が予測力を著しく制限していることを示します。 この問題を解釈可能かつ効率的なフレームワークで解決する。 我々のフレームワークは、競合するベースラインよりもかなり高い精度を実現している。
  論文  参考訳（メタデータ） (2020-02-19T16:32:54Z)

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。