論文の概要: Mastering Model Fit: Applications of the InterModel Vigorish for Interpretable Machine Learning
- arxiv url: http://arxiv.org/abs/2610.29960v1
- Date: Wed, 21 Oct 2026 16:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.403389
- Title: Mastering Model Fit: Applications of the InterModel Vigorish for Interpretable Machine Learning
- Title（参考訳）: Mastering Model Fit: 解釈可能な機械学習のためのInterModel Vigorishの応用
- Abstract要約: 我々は、InterModel Vigorish (IMV) をマシンインテリジェンス空間に導入する。
IMV属性は、Shapley重み付きサブセット比較、Multi-IMVは1-vs-restとペアのクラス識別を評価し、Ablate-IMVはアーキテクチャコンポーネントと機能グループを評価する。
高い1-vs-rest精度はヌルよりも無視可能な改善を伴うが、アブレーションは一定のトレーニング予算の下で適合を維持または改善することができる。
- 参考スコア（独自算出の注目度）: 1.7718869131239714
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accuracy alone gives little information about which features or model components improve probabilistic fit, which outcomes benefit, or how fit changes during training. We introduce the InterModel Vigorish (IMV) into the Machine Intelligence space in order to express differences in fit as an expected betting advantage over a reference model. SHAP-IMV attributes gains to features through Shapley-weighted subset comparisons, Multi-IMV evaluates one-vs-rest and pairwise class discrimination, and Ablate-IMV assesses architectural components and feature groups by ablation. We evaluate these applications over ten random seeds using tabular data, images, sensor sequences, and graphs. Feature rankings vary across estimators. High one-vs-rest accuracy can accompany negligible improvement over a null, while ablation can preserve or improve fit under a fixed training budget. On six graph-classification benchmarks, we time-profile IMV over 200 training epochs, reporting seed means and ranges. The open-source imvpy library and accompanying notebooks provide code to replicate our work and to use the IMV more widely.
- Abstract（参考訳）: 正確性だけでは、どの機能やモデルコンポーネントが確率的適合性を改善するか、どの結果が利益になるか、トレーニング中にどのように変化するかについてはほとんど情報を提供しません。
我々は、参照モデルに対して期待される優位性として適合性の違いを表現するために、InterModel Vigorish (IMV) をマシンインテリジェンス空間に導入する。
SHAP-IMV属性はShapley-weighted subset comparisons、Multi-IMVは1-vs-restとペアのクラス識別を評価し、Ablate-IMVはアーキテクチャコンポーネントと特徴グループをアブレーションによって評価する。
グラフデータ,画像,センサシーケンス,グラフを用いて,これらを10個のランダムな種に対して評価する。
特徴ランクは推定者によって異なる。
高い1-vs-rest精度はヌルよりも無視可能な改善を伴うが、アブレーションは一定のトレーニング予算の下で適合を維持または改善することができる。
6つのグラフ分類ベンチマークでは、200以上のトレーニングエポックをタイムアウトし、シード平均と範囲を報告しています。
オープンソースImvpyライブラリとそれに伴うノートブックは、作業の複製とIMVをより広く使用するためのコードを提供します。
関連論文リスト
- Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition [52.52131290631774]
視覚的位置認識(VPR)に適したプレースワイズ・データセット・プルーニング・フレームワークを提案する。
本手法は,各場所を基本刈取単位として扱い,IPD(Intra-place diversity)とIPS(Inter-place similarity)の2つの新しい指標を導入する。
実験により, 提案手法は, 最先端のDPベースラインを異なるプルーニング比で連続的に上回ることを示した。
論文 参考訳（メタデータ） (2026-07-16T12:16:00Z) - Joint Multi-Condition Representation Modelling via Matrix Factorisation for Visual Place Recognition [14.020214078011515]
マルチ参照視覚的位置認識(VPR)に対処し、様々な条件下でキャプチャされた参照セットを用いて、ローカライゼーション性能を向上させる。
本稿では,複数の参照記述子を行列分解から基底表現へ変換する,学習不要で非依存な手法を提案する。
マルチ・レファレンス・データでは,Recall@1が単一参照よりも最大18%向上し,外観や視点の変化に対してマルチ・レファレンス・ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-10-20T16:50:03Z) - An introduction to R package `mvs` [0.40792653193642503]
Rパッケージmvsは、マルチビューデータを扱うために特別に設計されたメソッドを提供する。
MVS(英語: MVS)は、マルチビュー分類や予測モデルのトレーニングに使用される教師あり(機械)学習の一種である。
mvsは、このようなペナルティ用語を含むMVSモデルを、簡単かつオープンに利用できるようにしている。
論文 参考訳（メタデータ） (2025-04-24T13:34:31Z) - Variational Autoencoder for Anomaly Detection: A Comparative Study [1.9131868049527914]
本稿では,同時代の変分オートエンコーダ(VAE)アーキテクチャを異常検出に用い比較解析することを目的とする。
検討中のアーキテクチャ構成には、元々のVAEベースライン、ガウスランダムフィールド(VAE-GRF)を持つVAE、ビジョントランスフォーマー(ViT-VAE)を搭載したVAEが含まれる。
論文 参考訳（メタデータ） (2024-08-24T12:07:57Z) - VeCAF: Vision-language Collaborative Active Finetuning with Training Objective Awareness [56.87603097348203]
VeCAFはラベルと自然言語アノテーションを使用して、PVMの微調整のためのパラメトリックデータ選択を行う。
VeCAFは微調整の目的を取り入れて重要なデータポイントを選択し、PVMをより高速な収束に向けて効果的に導く。
ImageNetでは、VeCAFは最大3.3倍のトレーニングバッチを使用して、完全な微調整に比べて目標のパフォーマンスに到達する。
論文 参考訳（メタデータ） (2024-01-15T17:28:37Z) - Match me if you can: Semi-Supervised Semantic Correspondence Learning with Unpaired Images [76.47980643420375]
本稿では,意味的対応の学習に固有のデータ・ハングリー・マターが存在するという仮説に基づく。
我々は,機械の監督を通じて,ペア化されたキーポイントを確実に強化する単純な機械注釈器を実証する。
我々のモデルは,SPair-71k,PF-PASCAL,PF-WILLOWといった意味対応学習ベンチマークの最先端モデルを上回る。
論文 参考訳（メタデータ） (2023-11-30T13:22:15Z) - CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。
本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。
本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T15:22:01Z) - Multi-view learning with privileged weighted twin support vector machine [0.0]
重み付きツインサポートベクターマシン(WLTSVM)は、非並列平面分類器の共通の欠点を改善するために、サンプル内で可能な限り多くの潜在的な類似情報をマイニングする。
ツインサポートベクトルマシン(TWSVM)と比較して、クラス間K-Nearest Neighbor(KNN)を用いて超流動制約を削除することにより、時間の複雑さを低減する。
本稿では,制限付きツインサポートベクトルマシン(MPWTSVM)を用いた多視点学習を提案する。
論文 参考訳（メタデータ） (2022-01-27T03:49:53Z) - MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。
視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。
我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
論文 参考訳（メタデータ） (2022-01-25T22:30:54Z) - VMI-VAE: Variational Mutual Information Maximization Framework for VAE
With Discrete and Continuous Priors [5.317548969642376]
変分オートエンコーダは、複雑なデータの潜在変数モデルを学習するためのスケーラブルな方法である。
本稿では,VAEのための変分相互情報最大化フレームワークを提案し,この問題に対処する。
論文 参考訳（メタデータ） (2020-05-28T12:44:23Z) - Improving Few-shot Learning by Spatially-aware Matching and
CrossTransformer [116.46533207849619]
数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。
本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
論文 参考訳（メタデータ） (2020-01-06T14:10:20Z)
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。