MinHashを用いた高次特徴生成のためのスケーラブルアルゴリズム【JST・京大機械翻訳】

A Pooja; Nair Naveen; Rastogi Rajeev

文献

J-GLOBAL ID：202002266647571324 整理番号：20A1795667

MinHashを用いた高次特徴生成のためのスケーラブルアルゴリズム【JST・京大機械翻訳】

A Scalable Algorithm for Higher-order Features Generation using MinHash

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A1795667&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (3件)： , ,
資料名：
号： CIKM ’18 ページ： 1213-1222 発行年： 2018年
JST資料番号： D0698C 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (3件)： , ,

パターン認識 , 人工知能

前のページに戻る