論文の概要: Improving the Predictive Performance of Bootstrap Aggregating by Dirichlet Resampling

• arxiv url: http://arxiv.org/abs/2609.21454v1
• Date: Fri, 18 Sep 2026 08:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.926815
• Title: Improving the Predictive Performance of Bootstrap Aggregating by Dirichlet Resampling
• Title（参考訳）: ディリクレサンプリングによるブートストラップ凝集の予測性能の向上
• Abstract要約: ダイリクレ・マルチノミカル・バッグング・ランダム・フォレスト(DM)とディリクレ・ウェイト・ランダム・フォレスト(DW)の2種類を紹介する。 我々は、これらの変種が標準のランダムな森林と区別不能に振る舞うときを明確にする単純な理論的基準を提供する。 DMとDWは一貫して競争力があり、しばしば他のランダムフォレスト(RF)ベースラインよりも強い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We revisit Breiman's observation that reducing inter-tree correlation without weakening individual trees can improve random forests. Building on this principle, we introduce two variants: Dirichlet-Multinomial Bagging Random Forest (DM) and Dirichlet-Weighted Random Forest (DW). Both modulate sample reweighting via a concentration parameter $α>0$. We provide a simple theoretical criterion that clarifies when these variants behave indistinguishably from standard random forests, and we use it to guide a lightweight tuning strategy. In a controlled evaluation on public classification benchmarks, DM and DW are consistently competitive and often stronger than other random-forest (RF) baselines, with negligible additional runtime.
• Abstract（参考訳）: 個々の木を弱めることなく木間相関を減少させることで無作為な森林を改善できるというブレイマンの観察を再考する。 本原理に基づいて,ダイリクレ・マルチノミカル・バッグング・ランダム・フォレスト (DM) とディリクレ・ウェイトド・ランダム・フォレスト (DW) の2つの変種を紹介した。 どちらも濃度パラメータ$α>0$で試料再加重を変調する。 我々は、これらの変種が標準のランダムな森林と区別不能に振る舞うときの簡易な理論的基準を提供し、それを軽量なチューニング戦略の導出に利用する。 公共分類ベンチマークの制御された評価では、DMとDWは一貫して競争力があり、しばしば他のランダムフォレスト(RF)ベースラインよりも強い。

関連論文リスト

• Smoothness-Based Derandomization of PAC-Bayes Bounds [48.06655334157014]
  滑らかな損失関数に対するPAC-Bayesデランドマイゼーションについて検討した。 我々は,ギブス予測器から後方平均における決定論的予測器への非有界通過に正確なコストがかかることを示した。 結果は線形予測器やスムーズなニューラルネットワークに特化する。
  論文  参考訳（メタデータ） (2026-06-17T14:17:44Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Partition Trees: Conditional Density Estimation over General Outcome Spaces [46.1988967916659]
  一般結果空間上での条件密度推定のための木に基づくフレームワークである分割木を提案する。 本手法は,データ適応分割における条件分布を一括一貫した密度としてモデル化し,条件付き負の対数関係を直接最小化して木を学習する。
  論文  参考訳（メタデータ） (2026-02-03T22:12:30Z)
• Lassoed Forests: Random Forests with Adaptive Lasso Post-selection [36.24615773895282]
  理論上,標準およびラッソ重み付きランダム林の相対的な性能は信号対雑音比に依存することを示す。 適応重み付けを適用し,ランダム林とラッソ選別を組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-10T04:39:09Z)
• Exogenous Randomness Empowering Random Forests [4.396860522241306]
  平均二乗誤差(MSE)を個々の木と森林の両方に対して非漸近展開する。 以上の結果から,サブサンプリングは個々の樹木に比べて,ランダム林の偏りや分散を減少させることが明らかとなった。 ノイズ特性の存在は、ランダムな森林の性能を高める上で「祝福」として機能する。
  論文  参考訳（メタデータ） (2024-11-12T05:06:10Z)
• Adaptive Split Balancing for Optimal Random Forest [8.916614661563893]
  そこで本研究では,新しい適応型分割バランス法を用いて木を構築するランダムフォレストアルゴリズムを提案する。 本手法は,データから木構造を適応的に学習しながら,シンプルでスムーズなシナリオで最適性を実現する。
  論文  参考訳（メタデータ） (2024-02-17T09:10:40Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Data-driven multinomial random forest: A new random forest variant with strong consistency [1.2147145617662436]
  我々は、以前弱一貫したランダム森林の証明法を強一貫した証明法に修正する。 データ駆動型多相ランダムフォレスト(DMRF)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T09:08:23Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Adaptive Correlated Monte Carlo for Contextual Categorical Sequence Generation [77.7420231319632]
  我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。 また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
  論文  参考訳（メタデータ） (2019-12-31T03:01:55Z)

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。