論文の概要: Human-inspired, Task-Dimension-Guided Exploration for Efficient Learning in High Dimensions

• arxiv url: http://arxiv.org/abs/2609.36672v1
• Date: Tue, 29 Sep 2026 04:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.176163
• Title: Human-inspired, Task-Dimension-Guided Exploration for Efficient Learning in High Dimensions
• Title（参考訳）: 高次元の効率的な学習のためのヒューマンインスパイアされたタスクディメンジョンガイドによる探索
• Abstract要約: 人間は目覚ましい効率で大きな意思決定空間をナビゲートできる。 近年の行動学的研究は、人が大きな決定空間における次元を、候補特徴次元を探索することによって減少させることを示唆している。 本稿では,タスク次元-機能-テム階層を自動構築した,人間にインスパイアされたモデル非依存型アルゴリズムTDGEを提案する。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient exploration in high-dimensional decision spaces remains a central challenge for decision-making systems. Humans, in contrast, can navigate large decision spaces with remarkable efficiency. Recent behavioral studies suggest that humans reduce dimensionality in large decision spaces by probing candidate feature dimensions, identifying reward-relevant ones, and restricting the effective decision space. Inspired by this mechanism, we propose TDGE (Task-Dimension-Guided Exploration), a human-inspired, model-agnostic algorithm with an automatically constructed task-dimension--feature--item hierarchy. TDGE follows a top-down exploration strategy: it first selects task-relevant feature dimensions, then identifies informative features within those dimensions, and finally recommends concrete items based on the selected features. Experiments on MovieLens-20M, Last.fm, and Amazon recommendation datasets show that TDGE substantially improves exploration efficiency and cold-start adaptation over baseline algorithms. Comparisons with other structured algorithms and ablation studies attribute these gains to TDGE's hierarchical structure and semantic feature-space exploration, with robust results across clustering methods and hierarchy depths. Recommendation-trajectory visualizations also show exploration patterns similar to human dimension-guided behavior.
• Abstract（参考訳）: 高次元決定空間における効率的な探索は、意思決定システムにおいて依然として中心的な課題である。 対照的に、人間は目覚ましい効率で大きな意思決定空間をナビゲートすることができる。 近年の行動学的研究は、人間が大きな決定空間における次元を減らし、候補特徴次元を探索し、報酬に関連のあるものを同定し、効果的な決定空間を制限することを示唆している。 この機構に着想を得たTDGE(Task-Dimension-Guided Exploration)を提案する。 TDGEは、まずタスク関連特徴次元を選択し、次にそれらの次元内の情報的特徴を特定し、最終的に選択した特徴に基づいて具体的な項目を推奨する。 MovieLens-20M、Last.fm、Amazonレコメンデーションデータセットの実験は、TDGEがベースラインアルゴリズムよりも探索効率とコールドスタート適応を大幅に改善していることを示している。 他の構造化アルゴリズムやアブレーション研究と比較すると、これらの利得はTDGEの階層構造と意味的特徴空間探索によるものであり、クラスタリング法と階層深度にまたがるロバストな結果である。 推奨軌道可視化はまた、人間の次元誘導行動に似た探索パターンを示す。

関連論文リスト

• Large-scale Multi-objective Feature Selection: A Multi-phase Search Space Shrinking Approach [0.27624021966289597]
  特徴の選択は、特に高次元データセットにおいて、機械学習において重要なステップである。 本稿では,LMSSSと呼ばれる探索空間の縮小に基づく大規模多目的進化アルゴリズムを提案する。 提案アルゴリズムの有効性は、15の大規模データセットに対する包括的実験によって実証される。
  論文  参考訳（メタデータ） (2024-10-13T23:06:10Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Autonomous Navigation of Unmanned Vehicle Through Deep Reinforcement Learning [1.3725832537448668]
  本稿では,アッカーマンロボットのモデルとDDPGアルゴリズムの構造と応用について詳述する。 その結果、DDPGアルゴリズムは経路計画タスクにおいて従来のディープQネットワーク(DQN)およびダブルディープQネットワーク(DDQN)アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-18T05:18:59Z)
• Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
  優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。 空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。 本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T03:49:04Z)
• Relevance-guided Unsupervised Discovery of Abilities with Quality-Diversity Algorithms [1.827510863075184]
  本稿では,その課題に適した行動特性を自律的に発見する品質多様性アルゴリズムであるRelevance-guided Unsupervised Discovery of Abilitiesを紹介する。 我々は、ロボットが完全な感覚データに基づいて自律的にその能力を発見しなければならない、シミュレーションされたロボット環境に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2022-04-21T00:29:38Z)
• i-Razor: A Differentiable Neural Input Razor for Feature Selection and Dimension Search in DNN-Based Recommender Systems [8.992480061695138]
  ノイズの特徴と不適切な埋め込み次元割り当てはレコメンダシステムの性能を低下させる可能性がある。 本稿では,特徴選択と次元探索を共同で最適化するニューラルインプット・レイザー (i-Razor) を提案する。
  論文  参考訳（メタデータ） (2022-04-01T08:30:06Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Discovering and Exploiting Sparse Rewards in a Learned Behavior Space [0.46736439782713946]
  スパース報酬設定における最適ポリシーの学習は、学習エージェントが行動の質に対するフィードバックをほとんど、あるいは全く持っていないため困難である。 STAXは, 与えられた報酬を効率的に最適化しつつ, 行動空間を学習し, 探索するために設計されたアルゴリズムである。
  論文  参考訳（メタデータ） (2021-11-02T22:21:11Z)
• Map Induction: Compositional spatial submap learning for efficient exploration in novel environments [25.00757828975447]
  観測されていない空間の構造を推定することにより,人間は新しい環境を効率的に探索できることを示す。 本研究では,新しい行動マップ誘導タスクを用いて,非帰納的モデルよりも人間の探索行動が優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-23T21:23:04Z)

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。