論文の概要: Support Thresholds, Not Algorithms, Limit Rare-Association Recovery in Co-Purchase Networks

• arxiv url: http://arxiv.org/abs/2609.20171v1
• Date: Thu, 23 Jul 2026 15:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.624192
• Title: Support Thresholds, Not Algorithms, Limit Rare-Association Recovery in Co-Purchase Networks
• Title（参考訳）: Co-Purchase Networksにおけるサポートしきい値,アルゴリズムではなく,リミットレア・アソシエーションの回復
• Abstract要約: 本論文は,2つの食料品データセットにおける共購入エッジフィルタの5つの手法を比較した。 トップ$Kのエッジは分割ごとに高いレートで再帰するが、NCのエッジは保持ネットワークにおいて統計的に重要な状態にある可能性が高い。
• 参考スコア（独自算出の注目度）: 10.731952262714998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The support threshold of the Apriori algorithm involves a trade-off in conducting market basket analysis: the associations that occur frequently are noted with high threshold; however, the low ones lead to generating the large amount of rules. The paper compares five methods for co-purchase edge filtration on two grocery datasets: i.e., Instacart (3.2 million baskets) and Dunnhumby (208 thousand baskets), including Apriori, Apriori + lift post-filtering, top-$K$ ranking based on lift, and two methods based on networks, noise-corrected (NC) and disparity filter (DF). The top-$K$ method ensures the maximum average lift, while the NC achieves similar lift level by means of a single value of the significance parameter ($α$). These two methods recover substantially more rare high-lift associations than Apriori (80-100% against 22-28%). NC and top-$K$ select meaningfully different edges (18-29% non-overlapping): NC retains statistically validated pairs, while top-$K$ retains rare pairs with high lift but low statistical significance. A rolling-origin holdout evaluation shows that top-$K$ edges recur at higher rates at every split, but NC edges are ~12 pp more likely to remain statistically significant in the held-out network.
• Abstract（参考訳）: Aprioriアルゴリズムの支持しきい値はマーケットバスケット分析のトレードオフに関係しており、頻繁に発生する関連性は高いしきい値で注目されるが、低いものは大量のルールを生成する。 本稿では,Apriori, Apriori + lift post-filtering, Top-$K$ rank on lift, and two method based on network, noise-corrected (NC) and disparity filter (DF)を含む,2つの食料品データセットに対する共購入エッジフィルタリング手法を比較した。 最上位のK$法は最大平均リフトを保証し、NCは重要なパラメータ(α$)の1つの値で同様のリフトレベルを達成する。 これらの2つの方法は、アプリオリ (80-100%対22-28%) よりも極めて稀な高揚合体を回収する。 NCとトップ$K$は有意に異なるエッジ(18-29%の非重複):NCは統計的に検証されたペアを保持し、トップ$K$は高いリフトを持つ稀なペアを保持する。 ローリングオリジンのホールドアウト評価では、上位$K$エッジは分割毎に高いレートで再帰するが、NCエッジは、ホールドアウトネットワークにおいて統計的に重要な状態にある可能性が高い。

関連論文リスト

• Swiss-Knife: A Framework for Reconfigurable Externalised Multi-Objective Alignment at Decode Time [15.488868543232664]
  デコード時アライメント手法は、外部報酬で候補継続をスコアし、最大値を選択することで、凍結した言語モデルを操る。 この共有設計は、より広い空間における単一の退化点であると主張する。 外部化多目的アライメントのためのフレームワークであるSwiss-Knifeを紹介する。
  論文  参考訳（メタデータ） (2026-09-03T01:31:53Z)
• Frozen Cores Need Task Signal: Fisher-Whitened Cross-Covariance for Low-Resource LLM Adaptation [18.8104643146881]
  厳格な訓練州予算の下で, コンストラクタ効率の高い微調整の選択について検討した。 我々は、署名された入力-エラーの相互共分散を推定し、対角的なフィッシャーモーメントと白くし、その結果の局所距離でそれを切り離し、選択した方向を写像し、より薄いQRを適用して安定したコア座標を得るFCCAを紹介する。 Qwen2.5-3B では、FCCA は 83.0 のマクロ平均値に達し、その2.3 ポイントは、マッチした予算のコンストラクタよりも高く、11 タスクすべてにおいて未白の RawGrad コントロールを超えている。
  論文  参考訳（メタデータ） (2026-09-01T05:52:38Z)
• Are Near-Tied LLM Rankings Robust to Family-DIF-Guided Benchmark Recomposition? [0.0]
  小さなリーダーボードギャップは、ある言語モデルが他の言語よりも優れているという証拠として解釈されることが多いが、その兆候はどのベンチマーク項目が含まれているかによって異なるかもしれない。 5つのベンチマークからの項目レベルの応答と、多次元アイテム応答理論に対する家族ラベルのないスペクトル近似を用いてこれを検証する。
  論文  参考訳（メタデータ） (2026-08-31T23:29:50Z)
• FunnelCausalNet: Funnel-aware Joint Conversion-Revenue Uplift for Multi-tier Coupon Allocation [14.507081620647858]
  クーポンのキャンペーンは、転換と収益の両方を引き上げようとしているが、粗雑な商品価値(GMV)は、転換から条件付き注文価値への決定論的ファンネルに従っており、ゼロインフレとヘビーテールである。 我々はFunnelCausalNetを提案し、$_mathrmgmv=_mathrmconv_mathrmval$を介してバイナリ変換ヘッドと非負条件値ヘッドを結合するアップリフト推定器を提案する。
  論文  参考訳（メタデータ） (2026-08-12T05:32:33Z)
• On the Sparsifiability of Correlation Clustering: Approximation Guarantees under Edge Sampling [6.908972852063454]
  相関クラスタリング(CC)は基本的な教師なし学習プリミティブである。 LPベースの保証を維持するためには,どの程度のエッジ情報が必要であるかを検討する。 ヤオのミニマックス原理を通して、擬距離構造がなければ、任意のアルゴリズムが$o(n)$一様ランダムエッジを観測すると近似比が生じることを示す。
  論文  参考訳（メタデータ） (2026-02-14T09:12:15Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• Multiple-play Stochastic Bandits with Prioritized Arm Capacity Sharing [52.124267908936396]
  このモデルは、$M$armと$K$playで構成されている。 各アームには複数の能力があり、各ユニットの能力は報酬関数に関連付けられている。 複数のプレーがアームキャパシティを競う場合、アームキャパシティは第1の優先重みで割り当てられる。
  論文  参考訳（メタデータ） (2025-12-25T11:19:09Z)
• vAttention: Verified Sparse Attention [100.98210818821688]
  vAttentionは、ユーザが指定した$(epsilon, delta)$の近似精度保証(thus, confirmed)を備えた実用的なスパースアテンションメカニズムである。 vAttentionはデータセット間のスパースアテンションの質を大幅に改善することを示す。 モデルの品質を損なうことなく高速なデコードを実現するために、推論シナリオにデプロイすることができる。
  論文  参考訳（メタデータ） (2025-10-07T08:46:08Z)
• Convergence Rate Analysis of LION [54.28350823319057]
  LION は、勾配カルシュ=クーン=T (sqrtdK-)$で測定された $cal(sqrtdK-)$ の反復を収束する。 従来のSGDと比較して,LIONは損失が小さく,性能も高いことを示す。
  論文  参考訳（メタデータ） (2024-11-12T11:30:53Z)
• Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
  トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。 提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-03T11:09:13Z)
• Sharp Statistical Guarantees for Adversarially Robust Gaussian Classification [54.22421582955454]
  逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。 結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
  論文  参考訳（メタデータ） (2020-06-29T21:06:52Z)

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。