SketchBoost: быстрый бустинг для multiclass/multilabel классификации и multitask регрессии
Докладчик: Антон Вахрушев (Sber AI Lab)
Градиентный бустинг — один из самых эффективных инструментов для решения задач машинного обучения на табличных данных. Однако в задачах, когда требуется прогнозировать сразу несколько выходов, таких как multiclass/multilabel классификация и multitask регрессия, построение бустинга на деревьях требует существенных вычислительных затрат и может занимать неприемлемо много времени. Мы придумали практичный метод сжатия информации, который применяется на каждой итерации бустинга, а так же реализовали его на базе нашей библиотеки py-boost, которая доступна в opensource. В ходе нашего доклада мы расскажем, как можно добиться значительного ускорения времени обучения модели (в десятки раз) без каких-либо потерь в качестве.
Статья: https://arxiv.org/abs/2211.12858
Запись чата: https://drive.google.com/file/d/16amBcOgz3EV3iAgDxy8LMUMqW8khpMAb/view?usp=sharing
Видео SketchBoost: быстрый бустинг для multiclass/multilabel классификации и multitask регрессии канала BayesGroup.ru
Градиентный бустинг — один из самых эффективных инструментов для решения задач машинного обучения на табличных данных. Однако в задачах, когда требуется прогнозировать сразу несколько выходов, таких как multiclass/multilabel классификация и multitask регрессия, построение бустинга на деревьях требует существенных вычислительных затрат и может занимать неприемлемо много времени. Мы придумали практичный метод сжатия информации, который применяется на каждой итерации бустинга, а так же реализовали его на базе нашей библиотеки py-boost, которая доступна в opensource. В ходе нашего доклада мы расскажем, как можно добиться значительного ускорения времени обучения модели (в десятки раз) без каких-либо потерь в качестве.
Статья: https://arxiv.org/abs/2211.12858
Запись чата: https://drive.google.com/file/d/16amBcOgz3EV3iAgDxy8LMUMqW8khpMAb/view?usp=sharing
Видео SketchBoost: быстрый бустинг для multiclass/multilabel классификации и multitask регрессии канала BayesGroup.ru
Показать
Комментарии отсутствуют
Информация о видео
15 марта 2023 г. 20:00:31
00:59:59
Другие видео канала

![Autoformer and Autoregressive Denoising Diffusion Models for Time Series Forecasting [in Russian]](https://i.ytimg.com/vi/8ASpS53J-PQ/default.jpg)

![[DeepBayes2018]: Day 2, lecture 4. Discrete latent variables](https://i.ytimg.com/vi/-KzvHc16HlM/default.jpg)



![Neural Program Synthesis, part 2 [in Russian]](https://i.ytimg.com/vi/3T49dB6dG4g/default.jpg)
![Hyperbolic Deep Learning [in Russian]](https://i.ytimg.com/vi/AoD_DUlMlAQ/default.jpg)
![Tensor Programs, part 2 [in Russian]](https://i.ytimg.com/vi/AQ-JCTxWU9M/default.jpg)
![Discovering Faster Matrix Multiplication Algorithms with Reinforcement Learning [in Russian]](https://i.ytimg.com/vi/znLybIpcaLQ/default.jpg)
![Learning Differential Equations that are easy to solve [in Russian]](https://i.ytimg.com/vi/2W-wrXBc7oo/default.jpg)
![[DeepBayes2018]: Day 3, Practical session 5. Distributional reinforcement learning](https://i.ytimg.com/vi/_Ve8Wd3Uyos/default.jpg)
![On Power Laws in Deep Ensembles [in Russian]](https://i.ytimg.com/vi/lPku_0tq0Ho/default.jpg)
![[DeepBayes2019]: Day 5, Sponsor talk](https://i.ytimg.com/vi/X8vYS0oLgL4/default.jpg)

![Controlling GANs Latent Space [in Russian]](https://i.ytimg.com/vi/5lEJw4VagcA/default.jpg)
![[DeepBayes2019]: Day 2, practical session 2. Variational autoencoders](https://i.ytimg.com/vi/3MhSNduBwMw/default.jpg)

![Domain Adaptation of GANs [in Russian]](https://i.ytimg.com/vi/2GfaUtp_8R8/default.jpg)