Fugu-MT 論文翻訳(概要): Scalable Pairwise Kernel Learning with Stochastic Vec Trick

論文の概要: Scalable Pairwise Kernel Learning with Stochastic Vec Trick

arxiv url: http://arxiv.org/abs/2606.16979v1
Date: Mon, 15 Jun 2026 17:15:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 18:36:05.09507
Title: Scalable Pairwise Kernel Learning with Stochastic Vec Trick
Title（参考訳）: 確率ベクトルトリックによるスケーラブルなペアワイズカーネル学習
Authors: Napsu Karmitsa, Tapio Pahikkala, Antti Airola,
Abstract要約: 本研究では,ペア設定に適したスケーラブルなカーネル学習手法であるSPaiKを紹介する。本稿では,カーネル手法の表現力を保ちながら,計算メモリの要求を大幅に削減する手法を提案する。実世界のドラッグターゲット親和性データセットにおけるSPaiKの性能評価を行った。
参考スコア（独自算出の注目度）: 0.8411385346896413
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pairwise learning is a specialized form of supervised learning that focuses on predicting outcomes for pairs of objects. In this work, we introduce SPaiK, a new scalable kernel learning method tailored for pairwise settings. Our approach preserves the expressive power of kernel methods while substantially reducing computational and memory requirements. The key innovation is the stochastic generalized vec trick (sGVT), a stochastic extension of the sparse Kronecker product multiplication algorithm, which enables efficient large-scale training with pairwise kernels. By incorporating sGVT, SPaiK makes it possible to apply kernel-based pairwise learning to datasets of a size previously out of reach. We evaluate the performance of SPaiK on seven real-world drug-target affinity datasets and compare the results with state-of-the-art methods in pairwise learning.
Abstract（参考訳）: ペアワイズラーニング(英: Pairwise learning)とは、教師あり学習の一種で、ペアのオブジェクトの結果を予測することに焦点を当てる。本研究では,ペア設定に適したスケーラブルなカーネル学習手法であるSPaiKを紹介する。提案手法は,カーネル手法の表現力を保ちながら,計算とメモリの要求を大幅に削減する。鍵となる革新は確率的一般化ベックトリック(sGVT)であり、これはスパースクロネッカー積乗算アルゴリズムの確率的拡張であり、ペアのカーネルによる大規模トレーニングを効率的に行うことができる。 sGVTを組み込むことで、SPaiKはカーネルベースのペアワイズ学習を、これまで到達できなかったサイズのデータセットに適用することが可能になる。 7つの実世界の薬物親和性データセット上でのSPaiKの性能を評価し, ペアワイズ学習における最先端手法との比較を行った。

関連論文リスト

Function Spaces Without Kernels: Learning Compact Hilbert Space Representations [17.20282687120807]
本稿では,関数エンコーダが特徴学習とカーネル手法との原則的接続を提供することを示す。コンパクトなベースを学習する2つのトレーニングアルゴリズムを開発した。この研究は、カーネルレベルの保証を持つ神経予測器への道を示唆している。
論文参考訳（メタデータ） (2025-09-24T22:55:52Z)
Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-09T03:55:09Z)
GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文参考訳（メタデータ） (2022-12-07T10:19:39Z)
Joint Embedding Self-Supervised Learning in the Kernel Regime [21.80241600638596]
自己教師付き学習(SSL)は、データを分類するためのラベルにアクセスすることなく、データの有用な表現を生成する。我々はこのフレームワークを拡張し,カーネルの機能空間に作用する線形写像によって埋め込みを構築するカーネル手法に基づくアルゴリズムを組み込む。カーネルモデルを小さなデータセットで分析し、自己教師付き学習アルゴリズムの共通特徴を特定し、下流タスクにおける性能に関する理論的洞察を得る。
論文参考訳（メタデータ） (2022-09-29T15:53:19Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Scaling Neural Tangent Kernels via Sketching and Random Features [53.57615759435126]
最近の研究報告では、NTKレグレッションは、小規模データセットでトレーニングされた有限範囲のニューラルネットワークより優れている。我々は、アークコサインカーネルの拡張をスケッチして、NTKの近距離入力スパーシティ時間近似アルゴリズムを設計する。 CNTKの特徴をトレーニングした線形回帰器が,CIFAR-10データセット上での正確なCNTKの精度と150倍の高速化を実現していることを示す。
論文参考訳（メタデータ） (2021-06-15T04:44:52Z)
Multiple Kernel Representation Learning on Networks [12.106994960669924]
ネットワークのノードに関するランダムな歩行に基づく情報を符号化する重み付き行列分解モデルを提案する。我々は、カーネルの辞書の線形結合としてカーネルを学習する柔軟性を提供する複数のカーネル学習定式化により、アプローチを拡張した。
論文参考訳（メタデータ） (2021-06-09T13:22:26Z)
Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文参考訳（メタデータ） (2021-04-03T09:08:12Z)
Learning Compositional Sparse Gaussian Processes with a Shrinkage Prior [26.52863547394537]
本稿では,カーネル選択のスパーシティをホースシュープリアーで処理することにより,カーネル構成を学習するための新しい確率論的アルゴリズムを提案する。本モデルは,計算時間を大幅に削減した時系列特性をキャプチャし,実世界のデータセット上での競合回帰性能を有する。
論文参考訳（メタデータ） (2020-12-21T13:41:15Z)
Generalized vec trick for fast learning of pairwise kernel models [3.867363075280544]
本稿では、オブジェクト間の関係に関する事前知識を組み込むために提案されている、ペアワイズカーネルの包括的なレビューを紹介する。レビューされたすべてのカーネルがKronecker製品の和として表現できることを示し、一般化されたvecトリックを使用して計算を高速化する。
論文参考訳（メタデータ） (2020-09-02T13:27:51Z)
Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
論文参考訳（メタデータ） (2020-08-14T05:46:56Z)

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。