論文の概要: Global-Local and Window-Concatenated Functional Random Forests: Early and Late Fusion of Window-Specific Functional Principal Components
- arxiv url: http://arxiv.org/abs/2611.15816v1
- Date: Wed, 11 Nov 2026 18:31:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.250558
- Title: Global-Local and Window-Concatenated Functional Random Forests: Early and Late Fusion of Window-Specific Functional Principal Components
- Title(参考訳): グローバル・ローカライズとウインドウ・コンカニケート機能的ランダム林:ウインドウ・特殊機能成分の早期・後期融合
- Abstract要約: ウィンドウ固有の機能的主成分に基づく2つのランダムな森林を提案する。
グローバル・ローカル関数型ランダム・フォレスト(GL-FRF)は、調整されたフルカーブ・フォレストを積み重ねるレイトフュージョン法である。
WC-FRF (window-concatenated functional random forest) は、単調森林を訓練する早期融解法である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Functional random forests built on a single functional principal component decomposition of the whole domain may dilute features confined to short intervals, whose location is rarely known in advance. We propose two random forests based on window-specific functional principal components. The global-local functional random forest (GL-FRF) is a late-fusion method that stacks a tuned full-curve forest and one forest per window with penalised convex weights; it contains the full-curve forest as a feasible solution, and its weights indicate which parts of the domain drive the prediction. The window-concatenated functional random forest (WC-FRF) is an early-fusion method that trains a single tuned forest on the concatenated window-specific scores. On twenty UCR datasets, GL-FRF improved on a tuned full-curve forest with the same number of trees on 16, with Brier score reductions of up to 0.21, significantly after Holm adjustment. No method was best on more than six datasets. WC-FRF was more accurate than GL-FRF on 13 datasets but failed when the signal required the full curve, whereas GL-FRF had the smallest mean and maximum excess over the best method across all 32 simulated and real settings, which makes it the safer choice when the location of the signal is unknown.
- Abstract(参考訳): 機能的ランダム林は、ドメイン全体の単一の機能的主成分分解に基づいて構築され、短い間隔に制限された特徴を減らし、その位置を事前に知ることは滅多にない。
ウィンドウ固有の機能的主成分に基づく2つのランダムな森林を提案する。
グローバル・ローカル関数型ランダム・フォレスト(GL-FRF)は、調整されたフルカーブ・フォレストと1つの窓にペナルトされた凸重みを持つ1つの森を積み重ねる遅延融合法であり、フルカーブ・フォレストを実現可能な解として含み、その重みはドメインのどの部分が予測を駆動しているかを示す。
WC-FRF (window-concatenated functional random forest) は、連結されたウィンドウ固有のスコアで単一の調整された森林を訓練するアーリーフュージョン法である。
20のUCRデータセットにおいて、GL-FRFは、ホルム調整後の最大0.21点まで減少し、16の樹数と同じ調整された全曲樹林で改善された。
6つのデータセットで最良な方法はなかった。
WC-FRFは、13のデータセットでGL-FRFよりも精度が高かったが、信号が完全な曲線を必要とすると失敗した。
関連論文リスト
- Jacobian Aligned Random Forests [0.0]
我々は、軸方向決定木に対する斜め森林の代替として、ヤコビ-アラインランダム林(JARF)を提示する。
JARFは、軸方向の森林を一貫して改善し、トレーニング時間を改善しつつ、基準線にマッチまたは超越することが多いことを示す。
実験結果と理論解析により, 森林の簡易性, 頑健性を保ちつつ, 森林の斜め森林の精度の多くを復元できることが示唆された。
論文 参考訳(メタデータ) (2025-12-09T07:08:04Z) - Asymptotic confidence bands for centered purely random forests [0.7136933021609079]
そこで,本研究では,エレンフェストを中心とする優良無作為林(Ehrenfest centered purely無作為林)という,新種の優良無作為林を提案する。
我々の主要な信頼バンド定理は、どちらのランダムな森にも当てはまる。
論文 参考訳(メタデータ) (2025-11-17T10:09:01Z) - Adaptive Split Balancing for Optimal Random Forest [8.916614661563893]
そこで本研究では,新しい適応型分割バランス法を用いて木を構築するランダムフォレストアルゴリズムを提案する。
本手法は,データから木構造を適応的に学習しながら,シンプルでスムーズなシナリオで最適性を実現する。
論文 参考訳(メタデータ) (2024-02-17T09:10:40Z) - Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time [45.72323731094864]
本稿では,2層ReLULUネットワーク間における重み減衰と凸緩和の最適性ギャップについて検討する。
私たちの研究は、なぜローカルメソッドがうまく機能するのかを理解することに新たな光を当てています。
論文 参考訳(メタデータ) (2024-02-06T01:29:35Z) - DFedADMM: Dual Constraints Controlled Model Inconsistency for
Decentralized Federated Learning [52.83811558753284]
分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。
既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
論文 参考訳(メタデータ) (2023-08-16T11:22:36Z) - Geometry- and Accuracy-Preserving Random Forest Proximities [3.265773263570237]
我々はランダムフォレスト-ジオメトリー(Random Forest-Geometry- and Accuracy-Preserving Proximities:RF-GAP)と呼ばれるランダムフォレスト確率の新しい定義を導入する。
RF-GAPは乱林予測と正確に一致していることが証明された。
この幾何表現の改善は、データ計算などのタスクにおいて従来のランダムな森の確率よりも優れており、学習したデータ幾何と整合した外れ値の検出と可視化結果を提供する。
論文 参考訳(メタデータ) (2022-01-29T23:13:53Z) - Minimax Rates for High-Dimensional Random Tessellation Forests [0.0]
モンドリアン林は、任意の次元でミニマックスレートが得られた最初のランダム林である。
概略分割方向を持つ多種多様なランダム林は任意の次元における最小収束率も達成できることを示す。
論文 参考訳(メタデータ) (2021-09-22T06:47:38Z) - Federated Functional Gradient Boosting [75.06942944563572]
フェデレーション学習における機能最小化に関する研究
FFGB.C と FFGB.L は、特徴分布がより均一になるにつれて収束半径が 0 に縮まる。
論文 参考訳(メタデータ) (2021-03-11T21:49:19Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2020-12-29T18:05:05Z) - Hybrid Federated Learning: Algorithms and Implementation [61.0640216394349]
Federated Learning(FL)は、分散データセットとプライベートデータセットを扱う分散機械学習パラダイムである。
ハイブリッドFLのためのモデルマッチングに基づく新しい問題定式化を提案する。
次に,グローバルモデルとローカルモデルを協調して学習し,完全かつ部分的な特徴量を扱う効率的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-22T23:56:03Z) - Faster Non-Convex Federated Learning via Global and Local Momentum [57.52663209739171]
textttFedGLOMOは最初の(一階)FLtexttFedGLOMOアルゴリズムです。
クライアントとサーバ間の通信においても,我々のアルゴリズムは確実に最適である。
論文 参考訳(メタデータ) (2020-12-07T21:05:31Z)
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。