論文の概要: On a Generalization of the Average Distance Classifier
- arxiv url: http://arxiv.org/abs/2001.02430v1
- Date: Wed, 8 Jan 2020 10:00:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 12:47:54.037136
- Title: On a Generalization of the Average Distance Classifier
- Title(参考訳): 平均距離分類器の一般化について
- Authors: Sarbojit Roy, Soham Sarkar and Subhajit Dutta
- Abstract要約: この問題に対処するために,平均距離分類器の簡単な変換を提案する。
結果として得られる分類器は、下層の集団が同じ位置と規模を持つ場合でも、非常によく機能する。
シミュレーションおよび実データを用いた数値実験により,提案手法の有用性が示された。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In high dimension, low sample size (HDLSS)settings, the simple average
distance classifier based on the Euclidean distance performs poorly if
differences between the locations get masked by the scale differences. To
rectify this issue, modifications to the average distance classifier was
proposed by Chan and Hall (2009). However, the existing classifiers cannot
discriminate when the populations differ in other aspects than locations and
scales. In this article, we propose some simple transformations of the average
distance classifier to tackle this issue. The resulting classifiers perform
quite well even when the underlying populations have the same location and
scale. The high-dimensional behaviour of the proposed classifiers is studied
theoretically. Numerical experiments with a variety of simulated as well as
real data sets exhibit the usefulness of the proposed methodology.
- Abstract(参考訳): 高次元、低サンプルサイズ(hdlss)設定では、ユークリッド距離に基づく単純な平均距離分類器は、位置差がスケール差によって隠されている場合、性能が劣る。
この問題を正すため、chan and hall (2009) によって平均距離分類器の変更が提案された。
しかし、人口が場所や規模と他の面で異なる場合、既存の分類器は識別できない。
本稿では,この問題に取り組むために,平均距離分類器の簡単な変換を提案する。
結果として生じる分類器は、下位の人口が同じ位置と規模を持つ場合でも、非常によく機能する。
提案する分類器の高次元挙動を理論的に検討した。
シミュレーションおよび実データを用いた数値実験により,提案手法の有用性が示された。
関連論文リスト
- On high-dimensional modifications of the nearest neighbor classifier [0.0]
本稿では,これらの既存手法について考察し,新しい手法を提案する。
提案手法の実証的性能と既存手法との比較を行うため,いくつかのシミュレーションおよびベンチマークデータセットを分析した。
論文 参考訳(メタデータ) (2024-07-06T17:53:53Z) - Canonical Variates in Wasserstein Metric Space [16.668946904062032]
We use the Wasserstein metric to measure distances between distributions, then used by distance-based classification algorithm。
我々の研究の中心は、分類精度を高めるために、ワッサーシュタイン計量空間内の次元の減少である。
本稿では,クラス間変動からクラス内変動への商として定義されたフィッシャー比を最大化する原理に基づく新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-05-24T17:59:21Z) - Classification Using Global and Local Mahalanobis Distances [1.7811840395202345]
競合クラスからの観測のマハラノビス距離に基づく新しい半パラメトリック分類器を提案する。
我々のツールは、これらの距離を異なるクラスの後部確率を推定する特徴として利用するロジスティックリンク関数を持つ一般化加法モデルである。
論文 参考訳(メタデータ) (2024-02-13T08:22:42Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - Counting Like Human: Anthropoid Crowd Counting on Modeling the
Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。
これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-02T07:00:53Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%~6%向上させる。
論文 参考訳(メタデータ) (2022-11-29T14:52:38Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳(メタデータ) (2022-07-05T14:55:16Z) - Divide-and-Conquer Hard-thresholding Rules in High-dimensional
Imbalanced Classification [1.0312968200748118]
高次元の線形判別分析(LDA)における不均衡クラスサイズの影響について検討した。
マイノリティ・クラスと呼ばれる1つのクラスのデータの不足により、LDAはマイノリティ・クラスを無視し、最大誤分類率を得ることを示す。
そこで本研究では,不等式化率の大きな差を低減させる分割・対数法に基づくハードコンカレンスルールの新たな構成法を提案する。
論文 参考訳(メタデータ) (2021-11-05T07:44:28Z) - Does Adversarial Oversampling Help us? [10.210871872870737]
本稿では,データセットのクラス不均衡を処理するために,3人のプレイヤーによるゲームベースのエンドツーエンド手法を提案する。
本稿では,敵対的マイノリティ・オーバーサンプリングではなく,敵対的オーバーサンプリング (AO) とデータ空間・オーバーサンプリング (DO) のアプローチを提案する。
提案手法の有効性を高次元・高不均衡・大規模マルチクラスデータセットを用いて検証した。
論文 参考訳(メタデータ) (2021-08-20T05:43:17Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳(メタデータ) (2020-07-20T12:07:48Z) - M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。
本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。
提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文 参考訳(メタデータ) (2020-04-01T13:21:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。