Fugu-MT 論文翻訳(概要): Tabular Numeric Stretch Transformation

論文の概要: Tabular Numeric Stretch Transformation

arxiv url: http://arxiv.org/abs/2608.09162v1
Date: Mon, 10 Aug 2026 06:16:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.101784
Title: Tabular Numeric Stretch Transformation
Title（参考訳）: Tabular Numeric Stretch Transformation
Abstract要約: 最適化問題として,数値特徴前処理を定式化するストレッチ変換フレームワークを導入する。 TALENTベンチマークの38データセットにおいて,教師付きストレッチがすべてのベースラインを一貫して上回ることを示す。
参考スコア（独自算出の注目度）: 20.711486560984188
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tabular data presents unique challenges for deep learning due to its heterogeneous nature, where numeric features exhibit diverse distributions, scales, and statistical properties. Although recent advances have improved how models learn from tabular data, how numeric data are transformed into model-friendly representations remains comparatively underexplored. We introduce the stretch transformation framework, which formulates numeric feature preprocessing as an optimization problem to make the target function smoother and thus more learnable. Our framework has two variants: (1) unsupervised stretch, which uniformly redistributes feature density via minimax optimization, and (2) supervised stretch, which optimizes target-aware numeric feature transformations from the perspective of target-function smoothness by minimizing the target function's Dirichlet energy in the transformed space. Our theoretical analysis further connects this framework to several popular transformations: unsupervised stretch is closely related to Piecewise Linear Encoding through a shared piecewise-linear geometry and approaches the empirical CDF transformation as the number of bins grows, while supervised stretch becomes closely related to target encoding in the fine-binning limit. Comprehensive experiments on 38 datasets from the TALENT benchmark demonstrate that supervised stretch consistently outperforms all baselines. These results show that explicitly optimizing for target function smoothness is a powerful and underexplored strategy for tabular deep learning.
Abstract（参考訳）: タブラルデータ(Tabular data)は、その不均一な性質により、深層学習に特有の課題を示し、数値の特徴は多様な分布、スケール、統計的性質を示す。最近の進歩は、グラフデータからモデルがどのように学習するかを改善するが、数値データがモデルフレンドリーな表現にどのように変換されるかは、まだ明らかにされていない。本稿では,数値特徴前処理を最適化問題として定式化するストレッチ変換フレームワークを導入し,目的関数をよりスムーズにし,より学習しやすいものにする。本フレームワークは,(1) 教師なしストレッチ,(2) 教師付きストレッチ,(2) 教師付きストレッチ,(2) ターゲット関数のディリクレエネルギーを最小化することで,目的関数の滑らかさの観点から,目標認識の数値的特徴変換を最適化する。教師なしストレッチはピースワイド線形エンコーディングに密接に関連しており、ビンの数が増加するにつれて経験的CDF変換に近づき、教師付きストレッチは細結合限界におけるターゲットエンコーディングと密接に関連している。 TALENTベンチマークによる38のデータセットに関する総合的な実験は、教師付きストレッチがすべてのベースラインを一貫して上回ることを示した。これらの結果から,対象関数の滑らかさを明示的に最適化することは,表層深層学習のための強力かつ過度に探索された戦略であることが示唆された。

関連論文リスト

Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。 OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。提案手法は, 常に最先端の手法を効率よく上回っている。
論文参考訳（メタデータ） (2025-11-29T04:04:05Z)
Simba: Towards High-Fidelity and Geometrically-Consistent Point Cloud Completion via Transformation Diffusion [31.34032485865941]
分散学習問題として,ポイントワイズ変換の回帰を再構成する新しいフレームワークであるSimbaを紹介する。提案手法は, 対称性の先行と拡散モデルの強力な生成能力を統合し, インスタンス固有の記憶を避ける。
論文参考訳（メタデータ） (2025-11-20T09:02:42Z)
Beyond Softmax: A Natural Parameterization for Categorical Random Variables [61.709831225296305]
階層的なバイナリ分割のシーケンスで構成される関数である$textitcatnat$関数を紹介します。実験により,提案した関数は学習効率を向上し,一貫した試験性能を特徴とするモデルが得られることを示した。
論文参考訳（メタデータ） (2025-09-29T12:55:50Z)
Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文参考訳（メタデータ） (2025-07-26T21:28:25Z)
Sculpting Features from Noise: Reward-Guided Hierarchical Diffusion for Task-Optimal Feature Transformation [18.670626228472877]
DIFFTは報酬誘導型生成タスクとしてフィーチャートランスフォーメーションを再定義する。構造的かつ離散的な特徴を生成し、機能内依存関係を保持しながら、並列な機能間生成を可能にする。予測精度とロバスト性において、最先端のベースラインを一貫して上回り、トレーニングや推論時間を大幅に低下させる。
論文参考訳（メタデータ） (2025-05-21T06:18:42Z)
GeloVec: Higher Dimensional Geometric Smoothing for Coherent Visual Feature Extraction in Image Segmentation [0.0]
GeloVecはセマンティックセグメンテーションのための新しいCNNベースの注意スムーシングフレームワークである。視覚的コヒーレント領域間の頑健な多様体関係を確立するために、高次元幾何学的滑らか化法を実装している。本フレームワークは,変換時の情報損失が欠如しているため,学習分野にまたがる強力な一般化能力を示す。
論文参考訳（メタデータ） (2025-05-02T07:07:00Z)
Variational Learning of Gaussian Process Latent Variable Models through Stochastic Gradient Annealed Importance Sampling [22.256068524699472]
本研究では,これらの問題に対処するために,Annealed Importance Smpling (AIS)アプローチを提案する。シークエンシャルモンテカルロサンプリング器とVIの強度を組み合わせることで、より広い範囲の後方分布を探索し、徐々にターゲット分布に接近する。実験結果から,本手法はより厳密な変動境界,高い対数類似度,より堅牢な収束率で最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2024-08-13T08:09:05Z)
Optimal Matrix-Mimetic Tensor Algebras via Variable Projection [0.0]
行列緩和性(Matrix mimeticity)は、テンソルを、行列に類似した乗算、分解、解析が可能な作用素として解釈することから生じる。我々は、データの事前の知識に頼ることなく、最適線形写像と対応するテンソル表現を学習する。可変射影型アルゴリズムの変換と収束解析の独創性理論を提供する。
論文参考訳（メタデータ） (2024-06-11T04:52:23Z)
S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠であるこれまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-22T11:40:49Z)
InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文参考訳（メタデータ） (2021-04-06T18:52:45Z)
Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文参考訳（メタデータ） (2021-03-04T15:34:43Z)

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。