Fugu-MT 論文翻訳(概要): Choosing a parallel heterogeneous ensemble method for tabular classification

論文の概要: Choosing a parallel heterogeneous ensemble method for tabular classification

arxiv url: http://arxiv.org/abs/2607.05103v1
Date: Mon, 06 Jul 2026 13:58:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.180143
Title: Choosing a parallel heterogeneous ensemble method for tabular classification
Title（参考訳）: 表層分類のための並列異種アンサンブル法の選択
Abstract要約: アンサンブル法の使用に関するベストプラクティスの一連の勧告が導出された。 TabArenaの事前計算データを使用して、28のタスクで検証された。
参考スコア（独自算出の注目度）: 0.292163093713525
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Parallel ensemble methods were compared on $56$ small-to-medium tabular classification tasks drawn from OpenML CC18. A set of ``best practice'' recommendations on the use of ensemble methods was derived from these observations. It was later validated on 28 additional tasks using TabArena's precomputed data, where the recommendation set significantly outperformed Single Best and matched or exceeded individual ensemble methods. Two key observations were made. First, Blending and Stacking are inconsistent, but their inconsistencies are independent and happen on different tasks. Second, while Hard Voting's probabilistic classification is rather weak, a consequence of using vote proportions as posterior estimates, Robust Soft Voting's probabilistic classification is particularly successful, especially in the multiclass case.
Abstract（参考訳）: 並列アンサンブル法は,OpenML CC18から抽出した5,6ドル小口径表分類タスクと比較した。アンサンブル法の使用に関する「ベストプラクティス」の一連の勧告は、これらの観察から導かれたものである。その後、TabArenaの事前計算データを使用して28のタスクで検証された。 2つの重要な観測が行われた。まず、BlendingとStackingは一貫性がないが、それらの矛盾は独立しており、異なるタスクで発生する。第二に、ハード・ボイティングの確率的分類はかなり弱いが、後続の見積もりとして投票率を用いた結果、ロバスト・ソフト・ボイティングの確率的分類は特にマルチクラスの場合において成功している。

関連論文リスト

Fair Decisions from Calibrated Scores: Achieving Optimal Classification While Satisfying Sufficiency [2.0686600920324163]
予測確率(スコア)に基づくバイナリ分類は、教師付き機械学習の基本的なタスクである。群校正スコアの有限集合を仮定して、十分条件下での最適二項分類の正確な解を提案する。
論文参考訳（メタデータ） (2026-02-07T00:26:40Z)
Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。均一分布仮定に依存しない一貫したアプローチを提案する。相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文参考訳（メタデータ） (2023-11-27T02:59:17Z)
A Bayesian Active Learning Approach to Comparative Judgement [3.0098452499209705]
伝統的なマーキングは、不整合と無意識のバイアスの源であり、評価者に高い認知的負荷を課す。 CJでは、評価者には2つのアイテムが提示され、より良いものを選択するように求められます。 CJはマーキングの信頼できる方法と考えられているが、透明性に関する懸念がある。比較項目のランクを決定するために,CJ (BCJ) に対する新しいベイズ的アプローチを提案する。
論文参考訳（メタデータ） (2023-08-25T10:33:44Z)
Multi-Classification using One-versus-One Deep Learning Strategy with Joint Probability Estimates [0.0]
提案モデルは他の最先端モデルよりも一般的に高い分類精度が得られる。異なる応用における数値実験により,提案モデルが他の最先端モデルよりも一般的に高い分類精度を達成できることが示されている。
論文参考訳（メタデータ） (2023-06-16T07:54:15Z)
Statistical Comparisons of Classifiers by Generalized Stochastic Dominance [0.0]
いくつかの基準に関して、分類器を複数のデータセットで比較する方法については、まだ合意が得られていない。本稿では, 意思決定理論の最近の展開を取り入れた, 鮮明な議論に新たな視点を加える。我々のフレームワークは、支配という一般化された概念によって分類器をランク付けし、それは煩雑なものを強力に回避し、しばしば自己矛盾的であり、集約に依存していることを示している。
論文参考訳（メタデータ） (2022-09-05T09:28:15Z)
Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文参考訳（メタデータ） (2021-10-08T13:51:55Z)
PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文参考訳（メタデータ） (2021-05-22T18:07:56Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
Consensus-Guided Correspondence Denoising [67.35345850146393]
本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
論文参考訳（メタデータ） (2021-01-03T09:10:00Z)
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-15T10:08:39Z)
Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。