論文の概要: EasyResearch: Honest Regression, Forecasting and Signal Classification for Researchers Who Do Not Program

• arxiv url: http://arxiv.org/abs/2610.25263v1
• Date: Sun, 18 Oct 2026 13:33:44 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:40:13.680284
• Title: EasyResearch: Honest Regression, Forecasting and Signal Classification for Researchers Who Do Not Program
• Title（参考訳）: EasyResearch: プログラムをしない研究者のための、率直な回帰、予測、信号分類
• Abstract要約: EasyClassifierは、プログラムをしていない研究者は、正しい評価がデフォルトである場合に、正直な分類結果を得ることができることを示した。 本稿では、EasyResearch、回帰、時系列予測、信号分類のためのオープンソースの分析コア、EasyResearch Desktopを紹介する。 データから学んだものはすべてトレーニングデータでのみ学習され、モデルは公開済みのデフォルトを固定されたシードで保持し、選択されたモデルは別の最終スコアを受け取り、シャッフルされたデータで予測は評価されない。
• 参考スコア（独自算出の注目度）: 0.24554686192257416
• License:
• Abstract: EasyClassifier showed that researchers who do not program can obtain honest classification results when the correct evaluation is the default. Most applied studies, however, predict a number, forecast a series or classify recordings, and each task has its own way of producing scores that do not hold on new data. We present EasyResearch, open-source analysis cores for regression, time-series forecasting and signal classification, and EasyResearch Desktop, a Windows application that runs these three tasks and EasyClassifier's classification without code. All four follow the same rules: everything learned from data is learned on training data only, models keep their published defaults with fixed seeds, the selected model receives a separate final score, forecasts are never evaluated on shuffled data, and every run writes a report with a Methods paragraph and the references for every method used. We measured whether the reported scores are honest by keeping part of each dataset untouched. In regression (9 public datasets, 90 runs), the common practice overstated R^2 by +2.2 points and the best comparison score by +2.5, while EasyResearch's final score was -1.0; screening predictors on all rows before cross-validation, which EasyResearch does not offer, reported R^2 = 0.27 on pure noise against -0.44 on new data. In forecasting (15 series), shuffled cross-validation over windows of past values promised errors 19% smaller than its chosen models achieved in the untouched future, while EasyResearch's final-period score was unbiased to within 1.5%; the models EasyResearch chose had 14% lower future error, and on random walks shuffled cross-validation chose a machine-learning model in 5 of 5 series, each worse in the future than repeating the last value, which EasyResearch chose 4 times. In signal classification (4 UCR datasets) one method won every comparison and neither estimate was biased.
• Abstract（参考訳）: EasyClassifierは、プログラムをしていない研究者は、正しい評価がデフォルトである場合に、正直な分類結果を得ることができることを示した。 しかし、ほとんどの応用研究は、数字を予測したり、連続を予測したり、記録を分類したりし、各タスクは、新しいデータに縛られないスコアを生成する独自の方法を持っている。 我々は、回帰、時系列予測、信号分類のためのオープンソースの分析コアであるEasyResearchと、これらの3つのタスクを実行するWindowsアプリケーションであるEasyResearch Desktopと、コードなしでEasyClassifierの分類を提供する。 データから学んだものはすべてトレーニングデータでのみ学習され、モデルは公開済みのデフォルトを固定されたシードで保持し、選択されたモデルは別の最終スコアを受け取り、予測はシャッフルされたデータで評価されず、各ランはメソッドの段落と使用されるメソッドのリファレンスでレポートを書きます。 報告されたスコアが正直かどうかを各データセットの一部に手を加えずに保持することで測定した。 回帰(9つのパブリックデータセット、90回の実行)において、一般的なプラクティスはR^2を+2.2ポイント、最良の比較スコア+2.5で上回り、EasyResearchの最終スコアは-1.0で、EasyResearchが提供していないクロスバリデーション前の全ての行で予測器をスクリーニングし、新しいデータでは-0.44に対してR^2 = 0.27と報告された。 (15シリーズ)の予測では、過去の値のウィンドウ上でシャッフルしたクロスバリデーションは、非タッチで達成したモデルよりも19%小さく、EasyResearchの最終スコアは1.5%以下に抑えられ、EasyResearchが選択したモデルでは14%低い将来のエラーがあり、ランダムウォークでは、シャッフルされたクロスバリデーションは5シリーズ中5シリーズで機械学習モデルを選択した。 信号分類(4UCRデータセット)では、1つの手法が全ての比較に勝利し、どちらの推定もバイアスを受けなかった。

関連論文リスト

• Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
  セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
  論文  参考訳（メタデータ） (2026-10-13T01:52:19Z)
• EasyClassifier: Honest, Reproducible Machine-Learning Classification for Researchers Who Do Not Program [0.24554686192257416]
  オープンソースのPythonパッケージであるEasyClassifierは、ユーザがCSVやExcelファイルから、平易で複数選択の質問を連続して、完了した分析にガイドする。 EasyClassifierはMITライセンス下で、PyPI(pip install easyclassifier)、GitHub、Zenodoから利用できる。
  論文  参考訳（メタデータ） (2026-10-03T20:53:36Z)
• RiskBlend: A Multi-Signal Framework for Test Input Prioritization in Machine Learning Regression Testing [0.0]
  機械学習分類器が再訓練されると、前のモデルバージョンによって正しく分類された入力は、更新されたバージョンによって誤って分類される。 テスト入力優先順位付けは、限られた検証予算が可能な限り多くの回帰欠陥を明らかにするように、入力をランク付けすることでこの問題に対処する。 本稿では,4つの相補的リスク信号を組み合わせた分類器に依存しない優先順位付けフレームワークであるR RiskBlendを提案する。
  論文  参考訳（メタデータ） (2026-08-27T20:40:35Z)
• Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
  リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。 近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。 これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
  論文  参考訳（メタデータ） (2023-06-18T01:58:59Z)
• Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
  雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。 Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。 さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
  論文  参考訳（メタデータ） (2023-01-02T07:13:28Z)
• AI Knows Which Words Will Appear in Next Year's Korean CSAT [0.0]
  テキストマイニングに基づく単語クラス分類法とLSTMに基づく語彙パターン予測法を導入する。 まず,簡単なテキスト出現頻度分析に基づく事前処理手法について述べる。 また,語彙出現パターン予測法としてLSTM深層学習法を提案する。
  論文  参考訳（メタデータ） (2022-11-24T12:44:26Z)
• Semi-Supervised Learning for Sparsely-Labeled Sequential Data: Application to Healthcare Video Processing [0.8312466807725921]
  逐次データにおける事象検出性能を向上させるための半教師付き機械学習学習戦略を提案する。 本手法では, 事象検出モデルの訓練に, 事象の終了時刻の雑音予測を用いる。 我々は,MNISTの平均精度が12ポイント,CIFARが3.5ポイント,保守的評価が12ポイント向上していることを示す。
  論文  参考訳（メタデータ） (2020-11-28T09:54:44Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

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。