論文の概要: Online Partitioned Local Depth for semi-supervised applications
- arxiv url: http://arxiv.org/abs/2512.15436v1
- Date: Wed, 17 Dec 2025 13:31:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:27.007749
- Title: Online Partitioned Local Depth for semi-supervised applications
- Title（参考訳）: 半教師付き応用のためのオンライン分割ローカル深さ
- Authors: John D. Foley, Justin T. Lee,
- Abstract要約: 半教師付き予測などのオンラインアプリケーションに適用可能な分割ローカル深度(PaLD)アルゴリズムの拡張を提案する。
オンラインPaLDは、参照データセットから凝集ネットワークを事前計算できる状況に適しています。
- 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: We introduce an extension of the partitioned local depth (PaLD) algorithm that is adapted to online applications such as semi-supervised prediction. The new algorithm we present, online PaLD, is well-suited to situations where it is a possible to pre-compute a cohesion network from a reference dataset. After $O(n^3)$ steps to construct a queryable data structure, online PaLD can extend the cohesion network to a new data point in $O(n^2)$ time. Our approach complements previous speed up approaches based on approximation and parallelism. For illustrations, we present applications to online anomaly detection and semi-supervised classification for health-care datasets.
- Abstract（参考訳）: 半教師付き予測などのオンラインアプリケーションに適用可能な分割ローカル深度(PaLD)アルゴリズムの拡張を提案する。
私たちが提示する新しいアルゴリズムであるPaLDは、参照データセットから凝集ネットワークを事前計算できる状況に適しています。
クエリ可能なデータ構造を構築するための$O(n^3)$ステップの後、オンラインのPaLDは、結合ネットワークを$O(n^2)$時間で新しいデータポイントに拡張することができる。
我々のアプローチは近似と並列性に基づく以前のスピードアップアプローチを補完する。
図示は、オンラインの異常検出およびヘルスケアデータセットの半教師付き分類に応用する。
関連論文リスト
- Continual Model-based Reinforcement Learning for Data Efficient Wireless Network Optimisation [73.04087903322237]
制御ポリシの継続強化学習としてスループット最適化を定式化する。
シミュレーションの結果,提案システムでは,エンド・ツー・エンドのデプロイメントのリードタイムを2倍に短縮できることがわかった。
論文 参考訳（メタデータ） (2024-04-30T11:23:31Z) - GeONet: a neural operator for learning the Wasserstein geodesic [13.468026138183623]
本稿では、初期分布と終端分布の入力対から2つのエンドポイント分布を接続するワッサーシュタイン測地線への非線形マッピングを学習するメッシュ不変なディープニューラルネットワークであるGeONetを提案する。
シミュレーション例では,GeONet が標準 OT ソルバと同等の精度で,MNIST データセットに比較して,予測段階の計算コストを桁違いに大幅に削減することを示した。
論文 参考訳（メタデータ） (2022-09-28T21:55:40Z) - Distributed Online Private Learning of Convex Nondecomposable Objectives [7.5585719185840485]
我々は、時間によって異なるネットワーク上でのプライバシーに関する一般的な分散制約付きオンライン学習問題に対処する。
本稿では, DPSDA-C と DPSDA-PS という2つのアルゴリズムを提案する。
理論的結果は、目的関数が凸であるときに、両方のアルゴリズムが $mathcalO( sqrtT )$ で期待される後悔の上限に達することを示している。
論文 参考訳（メタデータ） (2022-06-16T06:29:51Z) - Pessimism in the Face of Confounders: Provably Efficient Offline Reinforcement Learning in Partially Observable Markov Decision Processes [99.26864533035454]
半可観測マルコフ決定過程におけるオフライン強化学習(RL)について検討する。
本稿では,UnderlineProxy変数 underlinePessimistic UnderlinePolicy UnderlineOptimization (textttP3O)アルゴリズムを提案する。
textttP3Oは、確立されたデータセットを持つPOMDPのための証明可能な最初のオフラインRLアルゴリズムである。
論文 参考訳（メタデータ） (2022-05-26T19:13:55Z) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳（メタデータ） (2021-06-02T05:03:38Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。