抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
線形モデルは,それらの低い計算時間,小さなメモリフットプリントおよび解釈可能性のために産業において広く使われてきた。しかし,線形モデルは,ターゲットの予測において非線形特徴相互作用を活用することができない。これはその性能を制限する。この限界を克服するための古典的手法は,非線形性を捉えるために,高次特徴と呼ばれる元の特徴の組み合わせを使用することである。高次特徴の数は非常に大きい。ターゲットの予測であるそれらの間の有益なものを選択することは,スケーラビリティに不可欠である。これは計算的に高価であり,大きなメモリフットプリントを必要とする。本論文では,有益な高次特徴を選択するために,新しいスケーラブルMinHashベース方式を提案した。近重複エンティティ検出と相関ルールマイニングのためのMinHashの典型的利用と異なり,著者らは,それらの選択を可能にするために高次特徴とターゲットの間の相互情報に近似するために,特徴のMinHash署名を使用した。実行時間とメモリ要求を解析することにより,提案が既存の代替案と比較して実行時間と貯蔵に関して非常に効率的であることを示した。提案手法はスケーラブルであるだけでなく,モデル性能の改善をもたらす最も重要な特徴相互作用も同定できる複数のベンチマークデータセットの実験を通して実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】