論文の概要: Learning Filters with Certainty

• arxiv url: http://arxiv.org/abs/2606.22786v1
• Date: Mon, 22 Jun 2026 02:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:38:37.304889
• Title: Learning Filters with Certainty
• Title（参考訳）: 確実性のあるフィルタの学習
• Authors: Yuval Banoun, Daniel Sadoc Menasche, Ori Rottenstreich,
• Abstract要約: Bloomフィルタのようなハッシュベースのデータ構造は、キャッシュ、異常検出、機械学習パイプラインなどのタスクのためにネットワークシステムで広く使用されている。 このような表示に関連付けられた確実性自体が有用な情報である、と我々は主張する。 我々は、ブルームフィルタと機械学習(ML)モデルを組み合わせたアーキテクチャにおいて、この確実性信号をどのように活用するかを示す。
• 参考スコア（独自算出の注目度）: 5.109066963356046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hash-based data structures such as Bloom filters are widely used in network systems for tasks including caching, anomaly detection, and machine learning pipelines. They typically provide binary indications of whether an element belongs to a set of interest, e.g., the contents of a cache. When uncertainty arises due to hash collisions, a positive indication is returned to avoid false negatives. We argue that the certainty associated with such indications can itself be useful information. This work focuses on Counting Bloom Filters (CBFs), a Bloom-filter variant that maintains counters rather than bits. Besides supporting insertions and deletions, these counters provide additional information that can be used to estimate the certainty of positive membership indications. We show how this certainty signal can be exploited in architectures that combine Bloom Filters with machine learning (ML) models.
• Abstract（参考訳）: Bloomフィルタのようなハッシュベースのデータ構造は、キャッシュ、異常検出、機械学習パイプラインなどのタスクのためにネットワークシステムで広く使用されている。 それらは通常、ある要素が関心の集合に属しているかどうか、例えばキャッシュの内容のバイナリな表示を提供する。 ハッシュ衝突による不確実性が発生すると、偽陰性を避けるために正の表示が返される。 このような表示に関連付けられた確実性自体が有用な情報である、と我々は主張する。 この研究は、ビットではなくカウンタを保守するブルームフィルタ変種であるCBF(Counting Bloom Filters)に焦点を当てている。 挿入や削除のサポートに加えて、これらのカウンタは、ポジティブなメンバシップ表示の確実性を推定するために使用できる追加情報を提供する。 我々は、ブルームフィルタと機械学習(ML)モデルを組み合わせたアーキテクチャにおいて、この確実性信号をどのように活用するかを示す。

関連論文リスト

• Learned LSM-trees: Two Approaches Using Learned Bloom Filters [0.0]
  キーバリューストアは書き込み最適化のためにログ構造化マージ(LSM)木に大きく依存している。 Bloomフィルタのような補助構造は役に立つが、ツリーの深さとデータセットサイズでスケールするメモリコストを課す。 学習データ構造の最近の進歩は、機械学習モデルがこれらのコンポーネントを拡張したり置き換えたりする可能性があることを示唆している。
  論文  参考訳（メタデータ） (2025-07-24T04:23:52Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• A Critical Analysis of Classifier Selection in Learned Bloom Filters [0.3359875577705538]
  フィルタ構築に使用されるデータの"複雑さ"は、そのパフォーマンスに大きく影響する可能性がある。 本稿では,学習ブルームフィルタの設計,解析,実装のための新しい手法を提案する。 提案手法とサポートソフトウェアは有効かつ有用であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2022-11-28T17:17:18Z)
• Compressing (Multidimensional) Learned Bloom Filters [7.6058140480517356]
  Bloomフィルタは、要素が基礎となる集合に含まれていないか、あるいは特定のエラー率に含まれていないかを明らかにする。 ディープラーニングモデルは、このメンバシップテストの問題を解決するために使用される。 学習したブルームフィルタの利点は、膨大なデータを考慮する場合にのみ明らかである。
  論文  参考訳（メタデータ） (2022-08-05T07:54:48Z)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• deepBF: Malicious URL detection using Learned Bloom Filter and Evolutionary Deep Learning [5.220940151628734]
  悪意のあるURL検出は、さまざまなシステムの継続的な近代化による新しい研究領域です。 本稿では,DeepBF(Deep Learning and Bloom Filter)と呼ばれる新しい悪意のあるURL検出手法を提案する。 進化的畳み込みニューラルネットワークを用いて悪意のあるURLを識別する。
  論文  参考訳（メタデータ） (2021-03-18T21:53:22Z)
• 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)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• Malware Traffic Classification: Evaluation of Algorithms and an Automated Ground-truth Generation Pipeline [8.779666771357029]
  地中構造データを生成するための自動パケットデータラベリングパイプラインを提案する。 この観測可能なメタデータから抽出された、ユニークで多様な機能のセットを利用する、さまざまな種類のクラスタリングアプローチを探索し、テストする。
  論文  参考訳（メタデータ） (2020-10-22T11:48:51Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)
• Filter Grafting for Deep Neural Networks [71.39169475500324]
  ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト 我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。 例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
  論文  参考訳（メタデータ） (2020-01-15T03:18:57Z)

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。