論文の概要: Boosting the Learning for Ranking Patterns

• arxiv url: http://arxiv.org/abs/2610.16511v1
• Date: Mon, 12 Oct 2026 10:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.349308
• Title: Boosting the Learning for Ranking Patterns
• Title（参考訳）: ランク付けパターンの学習を促進する
• Abstract要約: ランキングパターンによるユーザ固有の関数の学習が提案されているが、これはかなりの時間とトレーニングサンプルを必要とする。 本稿では,多基準意思決定問題として,パターンランキング関数の学習問題を定式化するソリューションを提案する。 実験により,本手法は実行時間を著しく短縮し,ユーザのエラーに対して堅牢でありながら,正確なパターンランキングを返すことが示された。
• 参考スコア（独自算出の注目度）: 3.640648822048332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pattern mining is a valuable tool for exploratory data analysis, but identifying relevant patterns for a specific user is challenging. Various interestingness mea- sures have been developed to evaluate patterns, but they may not efficiently estimate user-specific functions. Learning user-specific functions by ranking patterns has been proposed, but this requires significant time and training samples. In this paper, we present a solution that formulates the problem of learning pattern ranking functions as a multicriteria decision making problem. Our approach uses Analytic Hierarchy Process (AHP) to elicit weights for different interestingness measures based on user preference. We also propose an active learning mode with a sensitivity-based heuristic to minimize user ranking queries while still providing high-quality results. Experiments show that our approach significantly reduces running time and returns precise pattern ranking while being robust to user error, compared to state-of-the-art approaches.
• Abstract（参考訳）: パターンマイニングは探索的なデータ分析に有用なツールだが、特定のユーザに関連するパターンを特定することは難しい。 パターンを評価するために様々な興味深い方法が開発されているが、ユーザ固有の機能を効率的に見積もることはできない。 ランキングパターンによるユーザ固有の関数の学習が提案されているが、これはかなりの時間とトレーニングサンプルを必要とする。 本稿では,多基準意思決定問題として,パターンランキング関数の学習問題を定式化する手法を提案する。 提案手法はAHP(Analytic Hierarchy Process)を用いて,ユーザの嗜好に基づいて異なる関心度尺度の重み付けを行う。 また、ユーザランキングクエリを最小化しつつ、高品質な結果を提供しながら、感度に基づくヒューリスティックなアクティブ学習モードを提案する。 実験の結果,本手法は動作時間を大幅に削減し,ユーザエラーに対して堅牢でありながら正確なパターンランキングを返却する。

関連論文リスト

• Beyond Labels: Information-Efficient Human-in-the-Loop Learning using Ranking and Selection Queries [10.128513811628201]
  我々は、リッチなクエリ型を持つバイナリ分類器を学習するためのHuman-in-the-loopフレームワークを開発した。 次に、リッチなクエリを活用するアクティブな学習アルゴリズムを設計し、インタラクション毎に得られる情報を増やします。 単語感情分類タスクにおけるこのアルゴリズムは、従来のラベルのみのアクティブな学習と比較して学習時間を57%以上削減する。
  論文  参考訳（メタデータ） (2026-02-17T17:14:15Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Active Learning for Non-Parametric Choice Models [9.737139416043949]
  本研究では,消費者の判断に基づいて,非パラメトリック選択モデルを積極的に学習する問題について検討する。 このような選択モデルが識別できない可能性があることを示す否定的な結果を示す。
  論文  参考訳（メタデータ） (2022-08-05T18:26:33Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Exploiting complex pattern features for interactive pattern mining [0.41998444721319206]
  パターンの品質関数を学習するためにユーザフィードバックを活用する方法を示す。 我々は,ユーザによって課されるパターンランキングから直接派生した,より複雑な機能を扱うことを提案する。 異なるパラメータ選択の効果を実験的に検討し、高複雑性特徴を用いることで、隠れた品質関数に整合したパターンの選択が導かれることを示した。
  論文  参考訳（メタデータ） (2022-04-08T18:33:32Z)
• Boosting the Learning for Ranking Patterns [6.142272540492935]
  本稿では,多基準意思決定問題として,パターンランキング関数の学習問題を定式化する。 本手法は,対話型学習手法を用いて,異なる興味度尺度を1つの重み付き線形ランキング関数に集約する。 良く知られたデータセットを用いて行った実験は、我々のアプローチが実行時間を著しく短縮し、正確なパターンランキングを返すことを示している。
  論文  参考訳（メタデータ） (2022-03-05T10:22:44Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Model-Agnostic Explanations using Minimal Forcing Subsets [11.420687735660097]
  そこで本研究では,モデル決定に欠かせない最小限のトレーニングサンプルを同定する,モデルに依存しない新しいアルゴリズムを提案する。 本アルゴリズムは,制約付き最適化問題を解くことにより,このような「欠かせない」サンプルの集合を反復的に同定する。 結果から,本アルゴリズムは局所モデルの振る舞いをよりよく理解する上で,効率的かつ容易に記述できるツールであることがわかった。
  論文  参考訳（メタデータ） (2020-11-01T22:45:16Z)

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。