論文の概要: Seer: Maximum Likelihood Regression for Learning-Speed Curves

• arxiv url: http://arxiv.org/abs/2610.02610v1
• Date: Fri, 02 Oct 2026 00:09:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.131027
• Title: Seer: Maximum Likelihood Regression for Learning-Speed Curves
• Title（参考訳）: Seer: 学習速度曲線の最大リグレッション
• Abstract要約: セア(Seer)は、分類学習のパフォーマンスを経験的に観察するシステムである。 Seerは、望ましいレベルを達成するために必要なトレーニング例の数を予測するために使用することができる。 Seerは学習性能を特徴付けるのに優れており、学習性能を予測するのに可能な限り優れているように思われる。
• 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: The research presented here focuses on modeling machine-learning performance. The thesis introduces Seer, a system that generates empirical observations of classification-learning performance and then uses those observations to create statistical models. The models can be used to predict the number of training examples needed to achieve a desired level and the maximum accuracy possible given an unlimited number of training examples. Seer advances the state of the art with 1) models that embody the best constraints for classification learning and most useful parameters, 2) algorithms that efficiently find maximum-likelihood models, and 3) a demonstration on real-world data from three domains of a practicable application of such modeling. The first part of the thesis gives an overview of the requirements for a good maximum-likelihood model of classification-learning performance. Next, reasonable design choices for such models are explored. Selection among such models is a task of nonlinear programming, but by exploiting appropriate problem constraints, the task is reduced to a nonlinear regression task that can be solved with an efficient iterative algorithm. The latter part of the thesis describes almost 100 experiments in the domains of soybean disease, heart disease, and audiological problems. The tests show that Seer is excellent at characterizing learning-performance and that it seems to be as good as possible at predicting learning performance. Finally, recommendations for choosing a regression model for a particular situation are made and directions for further research are identified.
• Abstract（参考訳）: ここでは機械学習のパフォーマンスをモデル化することに焦点を当てる。 この論文では、分類学習のパフォーマンスを経験的に観察し、統計モデルを作成するシステムであるSeerを紹介している。 モデルは、所望のレベルを達成するのに必要なトレーニング例の数と、無制限のトレーニング例が与えられた場合の最大精度を予測するために使用できる。 Seerは最先端の最先端を推し進める 1)分類学習と最も有用なパラメータに最適な制約を具現化したモデル。 2)最大形モデルを効率的に見つけるアルゴリズム、及び 3)そのようなモデリングの実践可能な応用の3つの領域からの実世界のデータに関する実演。 論文の第1部では、分類学習性能の最大化モデルに関する要件の概要が述べられている。 次に、そのようなモデルに対する合理的な設計選択について検討する。 このようなモデルの選択は非線形プログラミングのタスクであるが、適切な問題制約を利用することで、効率的な反復アルゴリズムで解くことができる非線形回帰タスクに還元される。 論文の後半では、大豆病、心臓病、オーディオ学的な問題の領域で約100の実験が述べられている。 実験の結果,Seerは学習性能の特徴付けに優れており,学習性能の予測には可能な限り優れていることがわかった。 最後に、特定の状況に対する回帰モデルを選択するためのレコメンデーションが作成され、さらなる研究の方向性が特定される。

関連論文リスト

• Generalized Top-k Mallows Model for Ranked Choices [7.389630498367403]
  本稿では,トップkのMallowsモデルに適した新しいサンプリングスキームと,選択確率を計算するための効率的なアルゴリズムを提案する。 また,観測された選択データからモデルパラメータを推定する能動的学習アルゴリズムを提案する。 これらの貢献は、重要な意思決定シナリオの分析と予測のための新しいツールを提供する。
  論文  参考訳（メタデータ） (2025-10-24T21:49:21Z)
• Provable unlearning in topic modeling and downstream tasks [36.571324268874264]
  アンラーニングの保証は、しばしば教師付き学習設定に限られる。 我々は、事前学習と微調整のパラダイムにおいて、初となるアンラーニングの理論的保証を提供する。 我々は、特定のタスクに微調整されたモデルから事前学習データを容易に解放できることを示し、ベースモデルを変更することなく、このデータを解放できることを示した。
  論文  参考訳（メタデータ） (2024-11-19T16:04:31Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
  人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。 従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。 本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-01-21T01:46:36Z)
• On Statistical Efficiency in Learning [37.08000833961712]
  モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。 モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。 実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
  論文  参考訳（メタデータ） (2020-12-24T16:08:29Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。