文献

J-GLOBAL ID：202002223748584595   整理番号：20A1196027

ビットレベルデータ構造を用いた高速勾配ブースティング決定木【JST・京大機械翻訳】

Fast Gradient Boosting Decision Trees with Bit-Level Data Structures

著者 (3件)： Devos Laurens (Department of Computer Science, KU Leuven, Leuven, Belgium) ,  Meert Wannes (Department of Computer Science, KU Leuven, Leuven, Belgium) ,  Davis Jesse (Department of Computer Science, KU Leuven, Leuven, Belgium)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11906  ページ： 590-606  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 勾配ブースティング決定木モデルは,付加的アンサンブルモデルを形成するために決定木を反復的に構築する強力な機械学習法である。この方法は,各反復ステップでモデルを改善するために損失関数の勾配を用いる。データベース文献に触発されて,著者らは,ツリーを学習する実行時間効率を改善するために,ビットセットとビットスライスデータ構造を利用した。これらの構造を二つの方法で用いることができる。最初に,それらは入力データそのものを表すことができた。第二に,それらは,ブースティングモデルにおけるツリーを構築するために,学習アルゴリズムによって用いられる離散化勾配値を保存することができた。これらのビットレベルのデータ構造を用いることにより,最良の分割を見つける問題が低減される。これは,インスタンスの計数と加算勾配値を含み,ビットストリングにおける1ビットを数える。現代のCPUは,AVX2 SIMD命令を用いて1ビットを効率的に数えることができる。経験的に,提案した改良は,予測性能を犠牲にすることなく,多数のカテゴリー的特徴を持つデータセット上で2から10倍までのスピードアップをもたらすことができる。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  *データ構造 ,  データベース ,  *ディシジョンツリー ,  加算 ,  SIMD ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： 離散化 ,  実行時間 ,  *ブースティング ,  予測性能 ,  入力データ ,  アンサンブル・シミュレーション , 【Automatic Indexing@JST】

著者キーワード (4件)： 勾配ブースティング ,  ディシジョンツリー ,  ビットセット ,  ビットスライス

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： ビット ,  データ構造 ,  勾配ブースティング ,  決定木