事前確率に普遍的な原子間ポテンシャルを用いた原子構造のベイズ最適化
本稿では、事前学習済み機械学習ポテンシャルを事前確率としてベイズ最適化フレームワークに組み込むことで、原子構造の最適化を効率化する新しい手法を提案しています。
ROC曲線下面積は、バイナリ分類において最も一貫した評価を提供する
データの偏りに影響を受けにくい評価指標は、個々のモデル評価や複数のモデルのランキングにおいて、より一貫した結果を提供する。特に、ROC曲線下面積（AUC）は、すべての決定しきい値を考慮するため、データの偏りに対する変動が最も小さく、一貫した評価が可能となる。
ロバスト回帰を用いた時系列データの交絡因子除去：DecoR
本稿では、周波数領域におけるスパース性を仮定することで、観測されていない交絡因子を含む時系列データにおける因果推論の問題に対して、ロバスト回帰を用いた新しい手法「DecoR」を提案し、その有効性を実証しています。
多項ロジスティック関数近似を用いたモデルベース強化学習
多項ロジスティック関数近似を用いることで、従来の線形モデルの制限を克服し、状態遷移確率をより柔軟かつ正確にモデル化できる、証明可能効率的な強化学習アルゴリズムを提案する。
GradCraft：包括的な勾配調整によるマルチタスクレコメンデーションの向上
レコメンデーションシステムにおけるマルチタスク学習の課題である、タスク間の勾配不均衡を解消するために、勾配のノルム調整と包括的な方向調整を連続的に行うGradCraftを提案する。
深層学習のトレーニングと推論におけるGPUパフォーマンス予測：NeuSightフレームワークの紹介
深層学習モデルのGPUパフォーマンスを予測するフレームワーク「NeuSight」は、従来の手法よりも高い精度を実現します。これは、GPU実行を小さなタイルに分解し、機械学習モデルとGPUの性能法則を組み合わせて、タイルレベルでの利用率と遅延を予測することで実現されます。
埋め込みモデルの優劣を左右する要因とは？
ラベルなしデータを用いた、タスク非依存な埋め込みモデルの評価手法と、その有効性について。
連合学習における公平性を考慮した適応的な重み付けによる全体的なパフォーマンス向上
本稿では、連合学習におけるクライアントレベルの公平性を向上させるため、オンライン凸最適化の枠組みを用いて、既存の公平性配慮型集約手法を統一的に解釈し、新たな適応的重み付け手法AAggFFを提案しています。
特徴量の解釈可能性と特徴量選択のための部分情報分解
本稿では、特徴量の部分情報分解（PIDF）と呼ばれる新しいデータ解釈と特徴量選択の手法を提案する。PIDFは、従来の特徴量重要度のように単一の値を割り当てるのではなく、各特徴量に対して、ターゲット変数との相互情報量、相乗情報への貢献度、冗長情報の量の3つの指標を用いることで、複雑な特徴量間の相互作用を明らかにし、データの解釈と最適な特徴量選択を同時に行うことを可能にする。
検証可能なロバスト共形予測
本稿では、敵対的な摂動下でも有効な予測区間を生成する、検証可能なロバスト共形予測（VRCP）と呼ばれる新しいフレームワークを提案する。
© 2024 by Linnk AI