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。
因子化マシン(FM)は二次特徴相互作用に基づく機械学習予測モデルであり,スパース正則化によるFMはスパースFMと呼ばれる。このような正則化は特徴選択を可能にし,正確な予測のために最も関連する特徴を選択し,従って,それらはモデル精度と解釈可能性の改善に寄与する。しかし,FMsは二次特徴相互作用を使用するので,特徴の選択は,結果として得られるモデルにおける多くの関連する特徴相互作用の喪失を引き起こす。このような場合,相互作用レベルスパース性の達成を試みる特徴相互作用選択のために特別に設計された正則化を有するFMsは,特徴レベルスパース性の達成を試みる特徴選択の代りに代わって好まれるかもしれない。本論文では,FMにおける特徴相互作用選択のための新しい正則化方式を提案した。提案した正則化器は,特徴相互作用選択のためのFMのパラメータ行列から計算される特徴相互作用行列のためのl_1正則化器の上限であり,提案した正則化器は,既存の方法によって課されたスパース性パターンに関する制限なしで,特徴相互作用行列をまばらにする。また,提案したFMのための効率的な近位アルゴリズムを記述し,既存と新しい正則化の両方の理論解析を提示した。さらに,著者らのアイデアを,高次FMおよび全部分集合モデルのようなより正確な特徴選択およびその他の関連モデルに適用することができるか,または,拡張できるかを議論した。合成および実世界データセットに関する解析と実験結果は,提案した方法の有効性を示した。【JST・京大機械翻訳】