論文の概要: InFusionLayer: a CFA-based ensemble tool to generate new classifiers for learning and modeling
- arxiv url: http://arxiv.org/abs/2603.10049v1
- Date: Mon, 09 Mar 2026 13:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:32.592596
- Title: InFusionLayer: a CFA-based ensemble tool to generate new classifiers for learning and modeling
- Title（参考訳）: 学習とモデリングのための新しい分類器を生成するCFAベースのアンサンブルツールInFusionLayer
- Authors: Eric Roginek, Jingyan Xu, D. Frank. Hsu,
- Abstract要約: 我々は Combinatorial Fusion Analysis にインスパイアされた機械学習アーキテクチャ textttInFusionLayer を紹介する。
以上の結果から,RCC関数とCDの特徴的な特徴を取り入れることで,より洗練されたアンサンブル学習アプリケーションを実現するという利点を浮き彫りにした。
- 参考スコア（独自算出の注目度）: 3.3715056968964956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensemble learning is a well established body of methods for machine learning to enhance predictive performance by combining multiple algorithms/models. Combinatorial Fusion Analysis (CFA) has provided method and practice for combining multiple scoring systems, using rank-score characteristic (RSC) function and cognitive diversity (CD), including ensemble method and model fusion. However, there is no general-purpose Python tool available that incorporate these techniques. In this paper we introduce \texttt{InFusionLayer}, a machine learning architecture inspired by CFA at the system fusion level that uses a moderate set of base models to optimize unsupervised and supervised learning multiclassification problems. We demonstrate \texttt{InFusionLayer}'s ease of use for PyTorch, TensorFlow, and Scikit-learn workflows by validating its performance on various computer vision datasets. Our results highlight the practical advantages of incorporating distinctive features of RSC function and CD, paving the way for more sophisticated ensemble learning applications in machine learning. We open-sourced our code to encourage continuing development and community accessibility to leverage CFA on github: https://github.com/ewroginek/Infusion
- Abstract（参考訳）: アンサンブル・ラーニング(英: Ensemble Learning)は、機械学習が複数のアルゴリズム/モデルを組み合わせることで予測性能を向上させるための、確立された手法の1つである。
Combinatorial Fusion Analysis (CFA)は、ランクスコア特性(RSC)機能と認知多様性(CD)機能を用いて、複数のスコアシステムを組み合わせる方法と実践を提供している。
しかし、これらのテクニックを組み込む汎用のPythonツールは存在しない。
本稿では,システム融合レベルでCFAにインスパイアされた機械学習アーキテクチャである‘texttt{InFusionLayer}を紹介する。
PyTorch,TensorFlow,Scikit-learnといったワークフローに対して,さまざまなコンピュータビジョンデータセットのパフォーマンスを検証することで,‘texttt{InFusionLayer}’の使いやすさを実証する。
この結果から,RCC関数とCDの特徴的な特徴を取り入れ,より高度なアンサンブル学習を機械学習に適用する上での実用的メリットが浮き彫りになった。
私たちは、開発とコミュニティアクセシビリティの継続を奨励し、github上でCFAを活用するためにコードをオープンソース化しました。
関連論文リスト
- An update to PYRO-NN: A Python Library for Differentiable CT Operators [3.5218270958038365]
深層学習はX線CT(Computerd Tomography)再建に大きな進歩をもたらした。
微分CT再構成のためのPythonベースのライブラリであるPYRO-NNの更新版を提案する。
論文 参考訳（メタデータ） (2025-11-11T16:34:40Z) - Enhancing Sentiment Classification with Machine Learning and Combinatorial Fusion [41.99844472131922]
本稿では, Combinatorial Fusion Analysis (CFA) を用いた感情分類への新たなアプローチを提案する。
CFAは、ランクスコアの特徴関数を利用してモデル間の相違を定量化し、それらの予測を戦略的に組み合わせる認知的多様性の概念を活用する。
実験の結果,CFAはモデル多様性を効果的に計算し活用することで,従来のアンサンブル手法よりも優れていた。
論文 参考訳（メタデータ） (2025-10-30T21:30:30Z) - Kolmogorov GAM Networks are all you need! [0.6906005491572398]
Kolmogorov GAMネットワークは、トレーニングと推論のための効率的なアーキテクチャであることが示されている。
それらは、関心の関数に依存しない埋め込みを持つ加法モデルである。
論文 参考訳（メタデータ） (2025-01-01T02:46:00Z) - Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping [0.0]
Deep Fast Machine Learning Utils (DFMLU)ライブラリは、機械学習プロセスのアスペクトを自動化および拡張するために設計されたツールを提供する。
DFMLUはモデル開発とデータ処理をサポートする機能を提供します。
この原稿はDFMLUの機能の概要を示し、各ツールにPythonの例を提供している。
論文 参考訳（メタデータ） (2024-09-14T21:39:17Z) - Learning Prompt with Distribution-Based Feature Replay for Few-Shot Class-Incremental Learning [56.29097276129473]
分散型特徴再現(LP-DiF)を用いた学習プロンプト(Learning Prompt)という,シンプルで効果的なフレームワークを提案する。
新しいセッションでは,学習可能なプロンプトが古い知識を忘れないようにするため,擬似機能的リプレイ手法を提案する。
新しいセッションに進むと、古いクラスのディストリビューションと現在のセッションのトレーニングイメージを組み合わせて擬似フィーチャーをサンプリングして、プロンプトを最適化する。
論文 参考訳（メタデータ） (2024-01-03T07:59:17Z) - Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。
本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。
SCooLを評価し,既存の分散学習手法と比較した。
論文 参考訳（メタデータ） (2023-06-16T02:41:31Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-20T10:49:22Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳（メタデータ） (2022-09-30T15:01:35Z) - BCFNet: A Balanced Collaborative Filtering Network with Attention
Mechanism [106.43103176833371]
協調フィルタリング(CF)ベースの推奨方法が広く研究されている。
BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。
さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
論文 参考訳（メタデータ） (2021-03-10T14:59:23Z) - PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。
これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文 参考訳（メタデータ） (2020-02-13T10:33:05Z)
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。