すべての人に一次情報を
CoGA2Mは複数解像度・高次のスプラインデコンストラクションを備えたAdditiveモデルで、タブularデータベンチマークであるTALENTに対し、回帰タスクで29種中11位、分類タスクで32種中7位と上位サードに入る。
モデルは4,16,64ノットの一次と三次ヘルムートスプラインを連結し、2変数積も計算する。全パラメータはバックプロパゲーションで学習され、L1スパース性とスムーズネスペナルティで過学習を抑える。
分布シフトを検証するため、数値特徴のみの22回帰データセットでO2Dサブセットを作成し、CoGA2MとTALENT上で優秀だったLightGBMと比較した。O2DにおけるR²差はCoGA2MのほうがLightGBMより小さく、13件の比較でスプラインモデルが有利だった。
| Models’ R2 differences and number of OOD cuts | ||||
|---|---|---|---|---|
| Dataset | CoGA2M OOD - ID | LGBM OOD - ID | ΔCoGA2M−ΔLGBM | N |
| 3D-Estimation-using-RSSI-of-WLAN-dataset-complete-1-target | -0.164 | -0.075 | -0.089 | 13 |
| Another-Dataset-on-used-Fiat-500-(1538-rows) | -0.137 | -0.017 | -0.120 | 12 |
| Bias-correction-r | -0.872 | -0.198 | -0.674 | 34 |
| Brazilian-houses-reproduced | -0.046 | -0.164 | 0.118 | 11 |
| IEEE80211aa-GATS | -0.397 | -0.470 | 0.073 | 49 |
| Laptop-Prices-Dataset | -0.619 | -2.736 | 2.117 | 3 |
| MiamiHousing2016 | -0.755 | -1.219 | 0.464 | 16 |
| airfoil-self-noise | -0.197 | -0.328 | 0.131 | 4 |
| bank8FM | -0.245 | -0.869 | 0.623 | 24 |
| concrete-compressive-strength | -0.193 | -0.455 | 0.262 | 19 |
| dataset-sales | -0.264 | -0.312 | 0.048 | 1 |
| delta-elevators | -0.017 | -0.062 | 0.045 | 9 |
| fifa | -0.324 | -0.458 | 0.134 | 5 |
| house-sales-reduced | -0.708 | -1.147 | 0.439 | 26 |
| houses | -0.245 | -0.269 | 0.024 | 53 |
| kin8nm | -0.506 | -0.360 | -0.146 | 15 |
| pole | -0.106 | -0.126 | 0.020 | 53 |
| puma8NH | -0.045 | -0.115 | 0.070 | 9 |
| qsar-aquatic-toxicity | -0.220 | -0.429 | 0.208 | 1 |
| stock | -0.162 | -0.470 | 0.308 | 12 |
| treasury | -0.097 | -1.346 | 1.249 | 19 |
| wind | -0.244 | -0.370 | 0.126 | 10 |
ただしO2Dベンチマークは数値特徴のみで構成されており、ハイパーパラメータ探索も行わなかった。モデルはバッチサイズ16、学習率0.001で1回だけ実行したため、汎化性能評価は限定的である。
結論として、CoGA2Mは既存のスプラインGAMが欠けていた大規模タブularベンチマーク評価と分布シフト耐性評価を同時に提供し、構造的にメリットがあることを示したが、評価データの制約と実験条件の限定を踏まえる必要がある。