Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/94| Τύπος: | Ανακοίνωση σε συνέδριο |
| Τίτλος: | Multi-target regression via output space quantization |
| Συγγραφέας: | [EL] Σπυρομήτρος - Ξιούφης, Ελευθέριος[EN] Spyromitros-Xioufis, Eleftherios [EL] Σεχίδης, Κωνσταντίνος[EN] Sechidis, Konstantinos [EL] Βλαχάβας, Ιωάννης[EN] Vlahavas, Ioannis I. |
| Ημερομηνία: | Ιου-2020 |
| Περίληψη: | Multi-target regression is concerned with the prediction of multiple continuous target variables using a shared set of predictors. Two key challenges in multi-target regression are: (a) modelling target dependencies and (b) scalability to large output spaces. In this paper, a new multi-target regression method is proposed that tries to jointly address these challenges via a novel problem transformation approach. The proposed method, called MRQ, is based on the idea of quantizing the output space in order to transform the multiple continuous targets into one or more discrete ones. Learning on the transformed output space naturally enables modeling of target dependencies while the quantization strategy can be flexibly parameterized to control the trade-off between prediction accuracy and computational efficiency. Experiments on a large collection of benchmark datasets show that MRQ is both highly scalable and also competitive with the state-of-the-art in terms of accuracy. In particular, an ensemble version of MRQ obtains the best overall accuracy, while being an order of magnitude faster than the runner up method. |
| Γλώσσα: | Αγγλικά |
| Τόπος δημοσίευσης: | Glasgow, United Kingdom |
| Σελίδες: | 9 |
| DOI: | 10.1109/IJCNN48605.2020.9206984 |
| ISBN: | 978-1-7281-6926-2 |
| EISSN: | 2161-4407 |
| Θεματική κατηγορία: | [EL] Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική[EN] Computer and Information Sciences |
| Λέξεις-κλειδιά: | machine learning; multi-target regression; vector quantization; multi-label classification; ensemble methods |
| Κάτοχος πνευματικών δικαιωμάτων: | ©2020 IEEE |
| Όροι και προϋποθέσεις δικαιωμάτων: | Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works. |
| Διατίθεται ανοιχτά στην τοποθεσία: | https://arxiv.org/abs/2003.09896 |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://ieeexplore.ieee.org/document/9206984 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://ieeexplore.ieee.org/xpl/conhome/9200848/proceeding |
| Τίτλος πηγής δημοσίευσης: | 2020 International Joint Conference on Neural Networks (IJCNN) |
| Όνομα εκδήλωσης: | 2020 International Joint Conference on Neural Networks (IJCNN) |
| Τοποθεσία εκδήλωσης: | Glasgow, United Kingdom |
| Ημ/νία έναρξης εκδήλωσης: | 19/07/2020 |
| Ημ/νία λήξης εκδήλωσης: | 24/07/2020 |
| Σημειώσεις: | This research is implemented through the Operational Program “Human Resources Development, Education and Lifelong Learning” and is co-financed by the European Union (European Social Fund) and Greek national funds. |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
| Αρχείο | Περιγραφή | Σελίδες | Μέγεθος | Μορφότυπος | Έκδοση | Άδεια | |
|---|---|---|---|---|---|---|---|
| 2003.09896.pdf | 9 σελίδες | 478.5 kB | Adobe PDF | Του συγγραφέα (post-refereeing) |  | Δείτε/ανοίξτε |