論文の概要: Ellipsoidal Subspace Support Vector Data Description

• arxiv url: http://arxiv.org/abs/2003.09504v1
• Date: Fri, 20 Mar 2020 21:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 21:49:19.175668
• Title: Ellipsoidal Subspace Support Vector Data Description
• Title（参考訳）: 楕円体部分空間支援ベクトルデータ記述
• Authors: Fahad Sohrab, Jenni Raitoharju, Alexandros Iosifidis, Moncef Gabbouj
• Abstract要約: 一クラス分類に最適化された低次元空間にデータを変換する新しい手法を提案する。 提案手法の線形および非線形の定式化について述べる。 提案手法は,最近提案されたサブスペースサポートベクトルデータ記述よりもはるかに高速に収束する。
• 参考スコア（独自算出の注目度）: 98.67884574313292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel method for transforming data into a low-dimensional space optimized for one-class classification. The proposed method iteratively transforms data into a new subspace optimized for ellipsoidal encapsulation of target class data. We provide both linear and non-linear formulations for the proposed method. The method takes into account the covariance of the data in the subspace; hence, it yields a more generalized solution as compared to Subspace Support Vector Data Description for a hypersphere. We propose different regularization terms expressing the class variance in the projected space. We compare the results with classic and recently proposed one-class classification methods and achieve better results in the majority of cases. The proposed method is also noticed to converge much faster than recently proposed Subspace Support Vector Data Description.
• Abstract（参考訳）: 本稿では,一級分類に最適化された低次元空間へのデータ変換手法を提案する。 提案手法は,対象クラスデータの楕円型カプセル化に最適化された新しいサブスペースにデータを反復的に変換する。 提案手法に対して線形および非線形の定式化を提供する。 この方法は部分空間内のデータの共分散を考慮しており、超球面に対する部分空間サポートベクトルデータ記述と比較してより一般化された解が得られる。 射影空間におけるクラス分散を表現する異なる正規化項を提案する。 従来の分類法や最近提案された一級分類法と比較し,多くのケースでより良い結果を得た。 提案手法は,最近提案したサブスペースサポートベクトルデータ記述よりもはるかに高速に収束する。

関連論文リスト

• Newton Method-based Subspace Support Vector Data Description [16.772385337198834]
  サブスペース支援ベクトルデータ記述法(S-SVDD)の最適化のためのニュートン法の適用について述べる。 我々はNewtonの手法を利用してデータマッピングとデータ記述を強化し、サブスペース学習に基づく一クラス分類の最適化を改善する。 本稿では,勾配降下の限界と,一クラス分類タスクにおける部分空間学習におけるニュートン法の利用の利点について論じる。
  論文  参考訳（メタデータ） (2023-09-25T08:49:41Z)
• Optimal Projections for Discriminative Dictionary Learning using the JL-lemma [0.5461938536945723]
  次元減少に基づく辞書学習法は、しばしば反復的ランダムプロジェクションを用いている。 本稿では、ジョンソン-リンデンシュトラウス補題を用いて、投影行列をデランドマイズする構成的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T02:59:59Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Graph-Embedded Subspace Support Vector Data Description [98.78559179013295]
  一クラス分類のための新しいサブスペース学習フレームワークを提案する。 提案されたフレームワークはグラフ埋め込みという形で問題を提示する。 ベースラインに対する改善されたパフォーマンスと、最近提案された1クラス分類のためのサブスペース学習方法を示す。
  論文  参考訳（メタデータ） (2021-04-29T14:30:48Z)
• Kernel Two-Dimensional Ridge Regression for Subspace Clustering [45.651770340521786]
  本稿では,2次元データに対する新しいサブスペースクラスタリング手法を提案する。 2Dデータを入力として直接使用するので、表現の学習はデータ固有の構造や関係から恩恵を受ける。
  論文  参考訳（メタデータ） (2020-11-03T04:52:46Z)
• Random extrapolation for primal-dual coordinate descent [61.55967255151027]
  本稿では,データ行列の疎度と目的関数の好適な構造に適応する,ランダムに外挿した原始-双対座標降下法を提案する。 一般凸凹の場合, 主対差と目的値に対するシーケンスのほぼ確実に収束と最適サブ線形収束率を示す。
  論文  参考訳（メタデータ） (2020-07-13T17:39:35Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)
• Intrinsic Dimension Estimation via Nearest Constrained Subspace Classifier [7.028302194243312]
  教師付き分類や固有次元推定のために,新しい部分空間に基づく分類器を提案する。 各クラスのデータの分布は、特徴空間の有限個のファイン部分空間の和によってモデル化される。 The proposed method is a generalization of classical NN (Nearest Neighbor), NFL (Nearest Feature Line) and has a close relationship with NS (Nearest Subspace)。 推定次元パラメータが正確に推定された分類器は、一般に分類精度の点で競合より優れている。
  論文  参考訳（メタデータ） (2020-02-08T20:54:42Z)

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。