複合最適化によるスケールにおける分布ロバストモデルの学習【JST・京大機械翻訳】

Haddadpour Farzin; Kamani Mohammad Mahdi; Mahdavi Mehrdad; Karbasi Amin

プレプリント

J-GLOBAL ID：202202200669166412 整理番号：22P0306257

複合最適化によるスケールにおける分布ロバストモデルの学習【JST・京大機械翻訳】

Learning Distributionally Robust Models at Scale via Composite Optimization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月17日プレプリントサーバーでの情報更新日： 2022年03月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

データにおける分布シフトに対してロバストである機械学習モデルを訓練するために,分布的にロバストな最適化(DRO)は非常に効果的であることが証明されている。しかし,分布的にロバストなモデルを学習する既存の手法は,半定値計画法や,収束スケールがデータサンプル数に線形的に収束する1次法のような複雑な最適化問題を解くことを必要とし,それらのスケーラビリティを大きなデータセットに妨げる。本論文では,DROの異なる変形が,スケーラブルな方法を与える有限和複合最適化の簡単な事例であることを示した。また,非常に大規模なデータセットからロバストモデルを学習するために,事前技術に関して提案アルゴリズムの有効性を示す経験的結果も示した。【JST・京大機械翻訳】

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

数理計画法 , その他のオペレーションズリサーチの手法 , 利益管理

, , , , ,

前のページに戻る