講演抄録/キーワード |
講演名 |
2022-09-15 15:05
複数の参照解を利用したSafe Pattern Pruningにおける正則化パス計算の効率化 ○吉田拓未(名工大)・花田博幸(理研)・中川和也・鈴村真矢・Onur Boyar・岩田和樹(名工大)・志村 駿・田中優次(名大)・烏山昌幸(名工大)・田地宏一(名大)・津田宏治(東大/理研)・竹内一郎(名大/理研) IBISML2022-38 |
抄録 |
(和) |
高次元の特徴量を$L_1$正則化学習によって効率的にモデル化するための手法として Safe Screening や Safe Pattern Pruning がある. これらは$L_1$正則化学習において事前にモデルから除外される特徴量を特定することにより学習を効率化する手法である. これらの手法の利用にあたっては参照する実行可能解が必要であり, $L_1$正則化においては1つ前の正則化パラメータでの学習結果が参照解として利用可能であることが知られている. 本研究では, Elastic Netのような複数の参照解が利用可能である状況において, それらの参照解を利用することを提案し, より強力なScreeningが可能であることを実データ実験において確認した. |
(英) |
Safe Screening and Safe Pattern Pruning are methods for efficiently modeling high-dimensional features by $L_1$-regularized learning. These methods improve the efficiency of it by identifying features to be excluded from the model in advance. These methods require a feasible solution to be used as a reference, and it is known that in $L_1$ regularization, the training result with the previous regularization parameter can be used as a reference solution. In this study, we focus on the situations where multiple reference solutions are available, such as Elastic Net regularization. We propose to use these multiple reference solutions in such cases. Then we demonstrate that stronger screening is possible in real data experiments. |
キーワード |
(和) |
L1正則化学習 / Safe Screening / Safe Pattern Pruning / Pattern Mining / 構造化データ / 凸最適化 / / |
(英) |
L1-Regularized Optimization / Safe Screening / Safe Pattern Pruning / Pattern Mining / Structured Input / Convex Optimization / / |
文献情報 |
信学技報, vol. 122, no. 189, IBISML2022-38, pp. 39-46, 2022年9月. |
資料番号 |
IBISML2022-38 |
発行日 |
2022-09-08 (IBISML) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IBISML2022-38 |