論文の概要: Reduced Dilation-Erosion Perceptron for Binary Classification
- arxiv url: http://arxiv.org/abs/2003.02306v2
- Date: Tue, 14 Apr 2020 18:07:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 12:33:10.466418
- Title: Reduced Dilation-Erosion Perceptron for Binary Classification
- Title（参考訳）: 二元分類のための希釈エロージョンパーセプトロンの低減
- Authors: Marcos Eduardo Valle
- Abstract要約: ディレーション・エロージョン・パーセプトロン(Dilation-erosion Perceptron, DEP)は、ディレーションとエロージョンの凸結合によって得られるニューラルネットワークである。
本稿では,r-DEP(reduce Dilation-erosion)分類器を提案する。
- 参考スコア（独自算出の注目度）: 1.3706331473063877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dilation and erosion are two elementary operations from mathematical
morphology, a non-linear lattice computing methodology widely used for image
processing and analysis. The dilation-erosion perceptron (DEP) is a
morphological neural network obtained by a convex combination of a dilation and
an erosion followed by the application of a hard-limiter function for binary
classification tasks. A DEP classifier can be trained using a convex-concave
procedure along with the minimization of the hinge loss function. As a lattice
computing model, the DEP classifier assumes the feature and class spaces are
partially ordered sets. In many practical situations, however, there is no
natural ordering for the feature patterns. Using concepts from multi-valued
mathematical morphology, this paper introduces the reduced dilation-erosion
(r-DEP) classifier. An r-DEP classifier is obtained by endowing the feature
space with an appropriate reduced ordering. Such reduced ordering can be
determined using two approaches: One based on an ensemble of support vector
classifiers (SVCs) with different kernels and the other based on a bagging of
similar SVCs trained using different samples of the training set. Using several
binary classification datasets from the OpenML repository, the ensemble and
bagging r-DEP classifiers yielded in mean higher balanced accuracy scores than
the linear, polynomial, and radial basis function (RBF) SVCs as well as their
ensemble and a bagging of RBF SVCs.
- Abstract（参考訳）: 拡張と浸食は、画像処理と解析に広く使われる非線形格子計算方法論である数学的形態学の2つの基本的な操作である。
ディレーション・エロージョン・パーセプトロン(Dilation-erosion Perceptron、DEP)は、ディレーションとエロージョンの凸結合によって得られるモルフォロジーニューラルネットワークであり、続いて二項分類タスクにハードリミター関数を適用する。
DEP分類器は、ヒンジ損失関数の最小化とともに凸凹法を用いて訓練することができる。
格子計算モデルとして、DEP分類器は特徴空間とクラス空間が部分的に順序集合であると仮定する。
しかし、多くの実践的な状況において、特徴パターンの自然な順序付けは存在しない。
本稿では,多値数学的形態学の概念を用いて,r-dep分類法を提案する。
特徴空間を適切に縮小順序付けしてr−DEP分類器を得る。
このような縮小順序は、異なるカーネルを持つサポートベクトル分類器(svcs)のアンサンブルに基づくものと、トレーニングセットの異なるサンプルを用いて訓練された類似のsvcのバッキングに基づく2つのアプローチによって決定できる。
OpenMLリポジトリからのいくつかのバイナリ分類データセットを用いて、アンサンブルとバギングr-DEP分類器は、線形、多項式、ラジアル基底関数(RBF)のSVCと、そのアンサンブルとRBF SVCのバギングよりも平均的なバランスの取れた精度スコアを得た。
関連論文リスト
- Sparse Tensor PCA via Tensor Decomposition for Unsupervised Feature Selection [8.391109286933856]
パラメータ行列の投影方向を利用して教師なし特徴選択を行う2つのスパース主成分分析(STPCA)モデルを開発した。
両方のモデルに対して、各サブプロブレムの最適解がエルミート正正半定円錐(HPSD)に落ちることを証明する。
実験結果によると,提案手法は異なるデータテンソルシナリオの処理に適しており,最先端のUFS手法よりも優れていた。
論文 参考訳（メタデータ） (2024-07-24T04:04:56Z) - Learning Compact Features via In-Training Representation Alignment [19.273120635948363]
各エポックでは、トレーニングセットからサンプリングしたミニバッチを用いて損失関数の真の勾配を推定する。
In-Training Representation Alignment (ITRA) を提案する。
また,特徴表現学習における一致損失の望ましい影響を厳密に分析する。
論文 参考訳（メタデータ） (2022-11-23T22:23:22Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Cogradient Descent for Dependable Learning [64.02052988844301]
双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。
CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。
また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
論文 参考訳（メタデータ） (2021-06-20T04:28:20Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Linear Dilation-Erosion Perceptron Trained Using a Convex-Concave
Procedure [1.3706331473063877]
本稿では, 線形変換を適用したテキストリニア・ディレーション・エロージョン・パーセプトロン(ell$-DEP)について述べる。
いくつかの分類問題を用いて,$ell$-DEPモデルと他の機械学習手法との比較を行った。
論文 参考訳（メタデータ） (2020-11-11T18:37:07Z) - Binary Classification as a Phase Separation Process [0.0]
位相分離バイナリ(PSBC)と呼ばれる新しいバイナリ分類モデルを提案する。
これは、通常の微分方程式と結合した非線形反応拡散方程式の離散化からなる。
PSBCの方程式は、リカレントニューラルネットワークと同様のアーキテクチャで、トレーニング可能な重みを持つ力学系と見なすことができる。
論文 参考訳（メタデータ） (2020-09-05T05:47:05Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Differentiable Segmentation of Sequences [2.1485350418225244]
我々は、連続的なワープ関数の学習の進歩の上に構築し、双方向パワー(TSP)分布に基づく新しいワープ関数のファミリーを提案する。
我々の定式化は特別な場合として分割一般化線型モデルの重要なクラスを含む。
我々は、PoissonレグレッションによるCOVID-19の拡散をモデル化し、変化点検出タスクに適用し、概念ドリフトによる分類モデルを学習する。
論文 参考訳（メタデータ） (2020-06-23T15:51:48Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
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。