論文の概要: Optimized Sequential Testing for Binary Ensemble Classifiers

• arxiv url: http://arxiv.org/abs/2606.15237v1
• Date: Sat, 13 Jun 2026 10:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.117472
• Title: Optimized Sequential Testing for Binary Ensemble Classifiers
• Title（参考訳）: バイナリアンサンブル分類器の最適化シーケンステスト
• Abstract要約: アンサンブル(英: Ensemble)は、単純なベースモデルの結果を組み合わせた予測モデルである。 逐次テストの分野からのアプローチを用いて、二項分類の計算コストを削減する方法を検討する。 本研究は,全アンサンブルとの相違率を制御しながら実行される基本モデルの数を最小化する早期停止戦略に対する最適性の3つの異なる概念を考察する。
• 参考スコア（独自算出の注目度）: 0.29220076568786324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble classifiers are predictive models that combine the results of simpler base models, often by majority vote. A classic example is random forests, which combine the predictions of decision trees. Ensembles that use more base models can be more accurate but also more costly to train and run. In this paper, we consider strategies for reducing the computational cost of binary classification using an approach from the field of sequential testing. Rather than evaluating all the base models and taking a majority vote, we evaluate the base models sequentially and stop execution when a clear majority emerges. We consider three different notions of optimality for early-stopping strategies that minimize the number of base models executed while controlling the rate of disagreement with the full ensemble. For each notion of optimality and allowable disagreement rate, we show that a linear program can be constructed and solved efficiently to find the optimal stopping strategy. We tested these methods on real-world datasets taken from the UC Irvine Machine Learning repository, and on the benchmark datasets proposed by Grinsztajn et al. We found that on most datasets, these methods provide speed-ups of 4x or more while controlling disagreement at 0.1%
• Abstract（参考訳）: アンサンブル分類器(ensemble classifier)は、単純なベースモデルの結果を組み合わせた予測モデルである。 古典的な例は無作為な森林であり、決定木の予測を組み合わせている。 より多くのベースモデルを使用するアンサンブルは、より正確だが、トレーニングや実行にはよりコストがかかる。 本稿では、逐次テストの分野からのアプローチを用いて、二項分類の計算コストを削減する方法を検討する。 すべてのベースモデルを評価し、多数決を取るのではなく、ベースモデルを逐次評価し、明確な多数決が発生すると実行を止めます。 本研究は,全アンサンブルとの相違率を制御しながら実行される基本モデルの数を最小化する早期停止戦略に対する最適性の3つの異なる概念を考察する。 最適性と許容不一致率のそれぞれの概念に対して、最適停止戦略を見つけるために線形プログラムを効率的に構築・解けることを示す。 UC Irvine Machine Learningレポジトリから取得した実世界のデータセットと、Grinsztajnらによって提案されたベンチマークデータセットを用いて、これらの手法をテストしたところ、ほとんどのデータセットでは、これらの手法が一致を0.1%で制御しながら、4倍以上のスピードアップを提供することがわかった。

関連論文リスト

• Threshold-Guided Optimization for Visual Generative Models [16.556017381410943]
  視覚生成モデルと人間のフィードバックを整合させるためのしきい値誘導フレームワークを提案する。 提案手法は,従来手法よりも常に好みのアライメントを改善する。 これらの結果は、我々の閾値誘導フレームワークを、ペア比較なしで視覚的生成モデルを整列する単純な代替手段として位置づけている。
  論文  参考訳（メタデータ） (2026-05-06T08:59:16Z)
• CASHomon Sets: Efficient Rashomon Sets Across Multiple Model Classes and their Hyperparameters [14.441777442115708]
  羅生門集合は1つのモデルクラス内のモデル集合であり、同じモデルクラスの参照モデルとほぼ同等に機能する。 暗黙の閾値を持つレベルセット推定のためのモデルベース能動学習アルゴリズムであるTruVaRImpを提案する。
  論文  参考訳（メタデータ） (2026-03-16T14:12:05Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• Value-Guided Search for Efficient Chain-of-Thought Reasoning [49.971608979012366]
  本稿では,長文推論トレースを用いた値モデル学習の簡易かつ効率的な手法を提案する。 250万の推論トレースのデータセットを収集して、1.5Bトークンレベルのバリューモデルをトレーニングします。 最終多数決を重み付けしたブロックワイド値誘導検索(VGS)は,標準手法よりも優れたテスト時間スケーリングを実現する。
  論文  参考訳（メタデータ） (2025-05-23T01:05:07Z)
• Causal LLM Routing: End-to-End Regret Minimization from Observational Data [3.3580884064577616]
  LLMルーティングは、クエリ毎に最も適切なモデルを選択することを目的としている。 従来のアプローチでは、メトリクスを最初に予測し、モデルがこれらの見積に基づいて選択される、分離された戦略が一般的だった。 観測データから意思決定の後悔を最小化してルーティングポリシーを学習する因果的エンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T21:34:18Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Sample, Don't Search: Rethinking Test-Time Alignment for Language Models [55.2480439325792]
  新しいテストタイムアライメントアプローチであるQAlignを紹介します。 テスト時間計算をスケールする際、QAlignは各プロンプトの最適配向分布からのサンプリングに収束する。 マルコフ連鎖モンテカルロのテキスト生成における最近の進歩を取り入れることで、基礎となるモデルを変更したり、ロジットアクセスを必要とせずに、より良い整合出力を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T00:41:40Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Context-Aware Ensemble Learning for Time Series [11.716677452529114]
  本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。 我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
  論文  参考訳（メタデータ） (2022-11-30T10:36:13Z)
• Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
  我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。 次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
  論文  参考訳（メタデータ） (2020-04-01T09:55:18Z)
• Discrete-Valued Latent Preference Matrix Estimation with Graph Side Information [12.836994708337144]
  最適なサンプルの複雑さにマッチするアルゴリズムを開発する。 我々のアルゴリズムはエラーをモデル化し、予測性能の点で既存のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-03-16T06:29:24Z)

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。