Fugu-MT 論文翻訳(概要): JevForest: Path Voting for Budgeted Feature Acquisition

論文の概要: JevForest: Path Voting for Budgeted Feature Acquisition

arxiv url: http://arxiv.org/abs/2610.10615v1
Date: Wed, 07 Oct 2026 07:23:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:36:53.567669
Title: JevForest: Path Voting for Budgeted Feature Acquisition
Title（参考訳）: JevForest: 予算のかかる機能獲得のためのパス投票
Abstract要約: JevForestは、ブートストラップツリーからパス依存の提案を集約する機能獲得ポリシーである。このポリシーによって選択されたセマンティックな回答に対して、オンライン実装クエリJev。
参考スコア（独自算出の注目度）: 5.862281586283603
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Choosing which information to observe is central to prediction under limited observation budgets. We study JevForest, a feature acquisition policy that aggregates path-dependent proposals from bootstrapped trees, weights them by global training information gain, and predicts from the acquired values with a shared masked classifier. An online implementation queries Jev for semantic answers selected by this policy. On small balanced held-out samples, four-question forest acquisition achieves accuracy $0.729$ on AG News ($n=48$), compared with $0.667$ for a static gain ranking and $0.583$ for random ordering. On TREC ($n=24$), the ordering reverses: forest accuracy is $0.667$, compared with $0.750$ and $0.833$. Asking all eight questions in one batch yields higher accuracy at lower measured cost and latency than four sequential forest queries; direct Jev classification matches the batch accuracy while costing less. Offline MiniBooNE experiments yield accuracy $0.845\pm0.010$ at ten features and $0.885\pm0.008$ at forty features over three jointly varying data and forest seeds (mean $\pm$ sample standard deviation). A companion Newton boosting implementation provides preliminary full-feature synthetic results. These exploratory findings establish a working Jev acquisition workflow but do not support a general advantage for path voting: its value depends on the task, predictor, and the distinction between question budgets and actual query costs.
Abstract（参考訳）: 限られた観測予算の下で、どの情報を観測するかを選択することは予測の中心である。 JevForestは、ブートストラップ木からのパス依存提案を集約し、グローバルトレーニング情報ゲインによってそれらを重み付け、共有マスク分類器で取得した値から予測する機能獲得ポリシーである。オンライン実装は、このポリシーによって選択されたセマンティックな回答をJevに問い合わせる。小さなバランスの取れたサンプルでは、AG Newsで0.729ドル($n=48$)、静的ゲインランキングで0.667ドル($0.667$)、ランダムオーダで0.583ドル($0.583$)となる。 TREC$n=24$の場合、順序は逆である:森林の精度は0.667$であり、0.750$と0.833$である。ひとつのバッチで8つの質問すべてを実行すると、測定コストとレイテンシが4つのシーケンシャルなフォレストクエリよりも高い精度が得られる。オフラインのMiniBooNE実験では、精度が0.845\pm0.010ドル、10つの特徴で0.885\pm0.008ドル、40の特徴で3つのデータと森林種子(サンプル標準偏差で$$\pm$)が得られる。ニュートン強化実装は、予備的な完全な合成結果を提供する。これらの探索的な発見は、Jevの獲得ワークフローを確立するが、パス投票の一般的な優位性をサポートしていない:その価値はタスク、予測器、質問予算と実際のクエリコストの区別に依存する。

関連論文リスト

Counterfactual Probing for Parallel Unmasking with Hidden Forest Structure [50.58119214447535]
マスク付き生成モデルは並列トークン予測を提供するが、正確な並列サンプリングはトークンを考慮しなければならない。本研究は,発見を含む全評価がシーケンス長$N$のサブ線形であるかどうかを考察する。本研究では, 森林構造を隠蔽した離散分布を, 固定された近似条件オラクルを通してアクセスする。
論文参考訳（メタデータ） (2026-09-29T15:39:50Z)
Sharp Limits for Honest Uncertainty in Hard-Budget Repeated Evaluation [10.008162829029862]
繰り返し評価は、狭義の不確実性を証明するためにまだ複製を必要としながら、ベンチマークスコアを正確に推定することができる。私たちは、その要求を、ハード予算$(M+t)K$の下で、タスク毎に$L$のバイナリパスを持つ$M$タスクの固定グリッド上で特徴付けます。固定された$L ge 3$と$0 le 1/12$の場合、最悪の純粋なコホート上での最適の期待幅は、すべてのタスクが観測されたときに$_,L([M(t+1)]-1/2)$で、$_,L([M(t+1)]-1/2)である。
論文参考訳（メタデータ） (2026-09-24T07:15:07Z)
BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature Acquisition [8.363536351727978]
アクティブな機能取得は、予算の下で各テストインスタンスの次を計測する観測されていない機能を要求する。本稿では,残予算毎に個別の候補条件付きリスク・ツー・ゴー関数を学習する,デプロイ可能な教師付き代替手段であるメソッドを導入する。
論文参考訳（メタデータ） (2026-08-03T14:30:44Z)
A Spectral Phase Diagram for Binary Few-Shot Classification: Intrinsic Dimensionality, Geometric Saturation, and Representational Diagnosis [0.0]
飽和指数 $S(K) = operatornameerank(widehat_W(K)) / K$ は、プールされたクラス内サンプルの有効ランクとショットカウントとの比を測る。インデックスはサポート機能だけで$O(d3)$ timeで計算可能で、テストラベルやトレーニングされた分類子を必要としない。
論文参考訳（メタデータ） (2026-06-12T16:46:24Z)
The Sample Complexity of Multiclass and Sparse Contextual Bandits [106.74652380822778]
我々は,包括的フィードバックに基づいて,与えられたクラスからほぼ最適なポリシーを特定することを目的とする。ゼロ・ワンの報酬を伴うバンド型マルチクラス分類に動機付けられ、emph$s$-sparse設定に焦点をあてる。我々は、$s$-sparseの報酬で、誘導モデルクラスは、$s$でスケールするシャープなDEC境界を認め、直接最適なレートを得ることを示す。
論文参考訳（メタデータ） (2026-05-28T09:12:20Z)
DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。モデル応答の多様性を最大化するサンプルを選択することが重要となる。我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
論文参考訳（メタデータ） (2025-10-09T08:53:59Z)
Bootstrap Sampling Rate Greater than 1.0 May Improve Random Forest Performance [0.0]
ランダムフォレスト(RF)は、ブートストラップサンプリングを使用して、各コンポーネントツリーの個別のトレーニングセットを生成する。ブートストラップ率(英: bootstrap rate, BR)は、各ブートストラップサンプルの観測回数とトレーニングインスタンスの総数との比率である。 BR値が高いと、標準設定に比べて分類精度が統計的に有意に向上することを示した。
論文参考訳（メタデータ） (2024-10-05T22:13:08Z)
Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文参考訳（メタデータ） (2024-05-24T11:22:19Z)
The Conditioning Bias in Binary Decision Trees and Random Forests and Its Elimination [0.0]
格子特性を持つ特徴が存在する場合の条件付き演算子の選択によって生じるバイアスについて検討する。我々は、このバイアスを排除し、決定木によるさらなる予測を必要とし、無作為な森林のコストを発生させない手法を提案する。
論文参考訳（メタデータ） (2023-12-17T12:56:39Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)

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。