文献

J-GLOBAL ID：202002284448971400   整理番号：20A1865220

アグノスティックデータ選択Biasによる因果的正則化学習【JST・京大機械翻訳】

Causally Regularized Learning with Agnostic Data Selection Bias

著者 (5件)： Shen Zheyan (Tsinghua University, Beijing, China) ,  Cui Peng (Tsinghua University, Beijing, China) ,  Kuang Kun (Tsinghua University, Beijing, China) ,  Li Bo (Tsinghua University, Beijing, China) ,  Chen Peixuan (Tencent, Shenzhen, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： MM ’18  ページ： 411-419  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)

抄録/ポイント： ほとんどの以前の機械学習アルゴリズムを,i.i.d.仮説に基づいて提案する。しかし,この理想的な仮定は,しばしば,訓練と試験プロセスの間に選択バイアスが発生する可能性がある実際のアプリケーションで破綻する。さらに,多くのシナリオにおいて,試験データは訓練プロセス中にも利用可能でなく,試験分布の事前の必要により,転送学習のような従来の方法を実行不可能にする。したがって,ロバストモデル学習のための診断選択バイアスに対処する方法は,学術研究と実際の応用の両方にとって極めて重要である。本論文では,変数間の因果関係がドメイン全体にわたってロバストであるという仮定の下で,予測モデリングに因果的技法を組み込み,グローバルコンフューラバランスと加重ロジスティック回帰を共同最適化することにより,新しいCa通常正則化ロジスティック回帰(CRLR)アルゴリズムを提案した。グローバルコンフューラバランスは因果的特徴の同定を助け,その原因に対する因果関係はドメインにわたって安定であり,それらの因果的特徴に関するロジスティック回帰を行うことは,診断バイアスに対するロバストな予測モデルを構築する。CRLRアルゴリズムの有効性を検証するために,合成と実世界データセットの両方について包括的な実験を行った。実験結果は,著者らのCRLRアルゴリズムが最先端の方法より優れていて,著者らの方法の可読性は特徴可視化によって完全に表現できることを明確に示した。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】

シソーラス用語： アルゴリズム ,  最適化 ,  *学習 ,  可読性 ,  可視化 ,  応用プログラム ,  バイアス ,  *正則化 ,  ロバスト性 ,  学習アルゴリズム ,  予測モデル
準シソーラス用語： ロジスティック回帰分析 ,  カルシトニン受容体様受容体 ,  試験データ ,  モデル学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 因果推論 ,  因果的正則化装置 ,  データ選択バイアス

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 正則化 ,  学習