論文の概要: Multiple Additive Neural Networks for Structured and Unstructured Data

• arxiv url: http://arxiv.org/abs/2604.26888v1
• Date: Wed, 29 Apr 2026 16:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.502085
• Title: Multiple Additive Neural Networks for Structured and Unstructured Data
• Title（参考訳）: 構造化・非構造化データのための多重付加型ニューラルネットワーク
• Authors: Janis Mohr, Jörg Frochte,
• Abstract要約: Multiple Additive Neural Networks (MANN) は従来のGradient Boostingフレームワークの拡張であり、決定木ではなく、ほぼ浅いニューラルネットワークをベースラーナとして利用している。 MANNのユニークなアーキテクチャは継続的学習を促進し、高度に堅牢性を統合してオーバーフィッティングと戦う。 実験により、MANNは、よく知られたデータセットの精度でExtreme Gradient Boosting(XGB)のような従来の手法を超越していることが判明した。
• 参考スコア（独自算出の注目度）: 0.32567268002362476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper extends and explains the Multiple Additive Neural Networks (MANN) methodology, an enhancement to the traditional Gradient Boosting framework, utilizing nearly shallow neural networks instead of decision trees as base learners. This innovative approach leverages neural network architectures, notably Convolutional Neural Networks (CNNs) and Capsule Neural Networks, to extend its application to both structured data and unstructured data such as images and audio. For structured data the advantages of capsule neural networks as feature extractors are used and combined with MANN as a classifier. MANN's unique architecture promotes continuous learning and integrates advanced heuristics to combat overfitting, ensuring robustness and reducing sensitivity to hyperparameter settings like learning rate and iterations. Our empirical studies reveal that MANN surpasses traditional methods such as Extreme Gradient Boosting (XGB) in accuracy across well-known datasets. This research demonstrates MANN's superior precision and generalizability, making it a versatile tool for diverse data types and complex learning environments.
• Abstract（参考訳）: 本稿では,従来のグラディエント・ブースティング・フレームワークの拡張であるMultiple Additive Neural Networks (MANN) 方法論を拡張し,解説する。 この革新的なアプローチは、ニューラルネットワークアーキテクチャ、特にCNN(Convolutional Neural Networks)とCapsule Neural Networksを活用して、そのアプリケーションを構造化データと、画像やオーディオなどの非構造化データの両方に拡張する。 構造化データには,特徴抽出器としてのカプセルニューラルネットワークの利点と分類器としてMANNを併用する。 MANNのユニークなアーキテクチャは継続的学習を促進し、高度ヒューリスティックスを統合してオーバーフィッティングと闘い、堅牢性を確保し、学習率やイテレーションのようなハイパーパラメータ設定に対する感度を低下させる。 実験により、MANNは、よく知られたデータセットの精度でExtreme Gradient Boosting(XGB)のような従来の手法を超越していることが判明した。 本研究は、MANNの精度と一般化性を示し、多様なデータ型と複雑な学習環境のための汎用的なツールである。

関連論文リスト

• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Peer-to-Peer Learning Dynamics of Wide Neural Networks [10.179711440042123]
  本稿では,分散勾配降下法(DGD)アルゴリズムを用いて学習した広範ニューラルネットワークの学習力学を明示的に評価する。 この結果は,最近のニューラルネットワークカーネル(NTK)理論と,分散学習とコンセンサスタスクに関する広範な研究の両面を生かしている。
  論文  参考訳（メタデータ） (2024-09-23T17:57:58Z)
• Convergence Analysis for Deep Sparse Coding via Convolutional Neural Networks [7.956678963695681]
  スパースコーディングとディープラーニングの交差点を探索し,特徴抽出能力の理解を深める。 我々は、畳み込みニューラルネットワーク(CNN)のスパース特徴抽出能力の収束率を導出する。 スパースコーディングとCNNの強いつながりにインスパイアされた私たちは、ニューラルネットワークがよりスパースな機能を学ぶように促すトレーニング戦略を探求する。
  論文  参考訳（メタデータ） (2024-08-10T12:43:55Z)
• NCART: Neural Classification and Regression Tree for Tabular Data [0.5439020425819]
  NCARTはResidual Networksの修正版で、完全に接続されたレイヤを複数の識別不能な決定木で置き換える。 ニューラルネットワークのエンドツーエンド能力の恩恵を受けながら、解釈可能性を維持している。 NCARTアーキテクチャの単純さは、さまざまなサイズのデータセットに適している。
  論文  参考訳（メタデータ） (2023-07-23T01:27:26Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)
• Incremental Training of a Recurrent Neural Network Exploiting a Multi-Scale Dynamic Memory [79.42778415729475]
  本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。 隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。 新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
  論文  参考訳（メタデータ） (2020-06-29T08:35:49Z)

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。