論文の概要: A Unified Framework for Multiclass and Multilabel Support Vector Machines

• arxiv url: http://arxiv.org/abs/2003.11197v1
• Date: Wed, 25 Mar 2020 03:08:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 02:49:36.580398
• Title: A Unified Framework for Multiclass and Multilabel Support Vector Machines
• Title（参考訳）: マルチクラスおよびマルチラベルサポートベクターマシンのための統一フレームワーク
• Authors: Hoda Shajari, Anand Rangarajan
• Abstract要約: マルチクラスおよびマルチラベルの分類問題に対処するために,SVM の簡単な拡張を提案する。 本フレームワークは, 従来のソフトマージンSVMフレームワークから, 直接反対構造で逸脱する。 その結果,マルチクラス分類問題とマルチラベル分類問題の両方に対する競合型分類器が示された。
• 参考スコア（独自算出の注目度）: 6.425654442936364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel integrated formulation for multiclass and multilabel support vector machines (SVMs). A number of approaches have been proposed to extend the original binary SVM to an all-in-one multiclass SVM. However, its direct extension to a unified multilabel SVM has not been widely investigated. We propose a straightforward extension to the SVM to cope with multiclass and multilabel classification problems within a unified framework. Our framework deviates from the conventional soft margin SVM framework with its direct oppositional structure. In our formulation, class-specific weight vectors (normal vectors) are learned by maximizing their margin with respect to an origin and penalizing patterns when they get too close to this origin. As a result, each weight vector chooses an orientation and a magnitude with respect to this origin in such a way that it best represents the patterns belonging to its corresponding class. Opposition between classes is introduced into the formulation via the minimization of pairwise inner products of weight vectors. We also extend our framework to cope with nonlinear separability via standard reproducing kernel Hilbert spaces (RKHS). Biases which are closely related to the origin need to be treated properly in both the original feature space and Hilbert space. We have the flexibility to incorporate constraints into the formulation (if they better reflect the underlying geometry) and improve the performance of the classifier. To this end, specifics and technicalities such as the origin in RKHS are addressed. Results demonstrates a competitive classifier for both multiclass and multilabel classification problems.
• Abstract（参考訳）: マルチクラスおよびマルチラベルサポートベクターマシン(SVM)のための新しい統合型定式化を提案する。 元のバイナリSVMをオールインワンのマルチクラスSVMに拡張するいくつかのアプローチが提案されている。 しかし、統一マルチラベルSVMへの直接拡張は広く研究されていない。 統一されたフレームワーク内でのマルチクラスおよびマルチラベルの分類問題に対処するために,SVMの簡単な拡張を提案する。 本フレームワークは, 従来のソフトマージンSVMフレームワークから, 直接反対構造で逸脱する。 我々の定式化において、クラス固有の重みベクトル(正規ベクトル)は、原点に対してマージンを最大化し、この原点に近づきすぎるとパターンをペナル化することによって学習される。 結果として、各重みベクトルは、対応するクラスに属するパターンを最もよく表現するように、この起源に関して向きと大きさを選択する。 クラス間の対置は、重みベクトルの対の内積の最小化によって定式化される。 また、標準再生カーネルヒルベルト空間(RKHS)を介して非線形分離性に対処する枠組みを拡張した。 原点と密接に関連しているバイアスは、原点空間とヒルベルト空間の両方において適切に扱う必要がある。 制約を定式化(基盤となる幾何学をよりよく反映するならば)に取り入れ、分類器の性能を向上させる柔軟性があります。 この目的のために、RKHSの起源のような特質や技術に対処する。 その結果、マルチクラス分類問題とマルチラベル分類問題の両方に対する競合的分類器が示される。

関連論文リスト

• MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
  NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。 本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。 ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T05:59:52Z)
• Tverberg's theorem and multi-class support vector machines [0.0]
  マルチクラスサポートベクターマシン(SVM)の新しいモデルの設計方法について述べる。 これらのプロトコルは点の集合を分類する条件を少なくし、高次元空間における既存のバイナリSVMアルゴリズムを用いて計算することができる。 本稿では,Veelaert による最大のマージン SVM に対するサポートベクトルの幾何学的特徴付けの新しい簡単な証明を与える。
  論文  参考訳（メタデータ） (2024-04-25T16:37:58Z)
• Multi-class Support Vector Machine with Maximizing Minimum Margin [67.51047882637688]
  Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。 本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。 実験により,提案手法の有効性と優位性を示す。
  論文  参考訳（メタデータ） (2023-12-11T18:09:55Z)
• Handling Imbalanced Classification Problems With Support Vector Machines via Evolutionary Bilevel Optimization [73.17488635491262]
  サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。 この記事では、EBCS-SVMについて紹介する。
  論文  参考訳（メタデータ） (2022-04-21T16:08:44Z)
• Generalization Error Bounds for Multiclass Sparse Linear Classifiers [7.360807642941714]
  スパース多項ロジスティック回帰による高次元多クラス分類を考察する。 本稿では,ペナル化最大可能性に基づく計算可能な特徴選択手法を提案する。 特に、グローバル・スパシティ、ダブル・行ワイド・スパシティ、ロー・ランク・スパシティについて検討する。
  論文  参考訳（メタデータ） (2022-04-13T09:25:03Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
  フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。 我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:05:23Z)
• A fast learning algorithm for One-Class Slab Support Vector Machines [1.1613446814180841]
  本稿では,SMO (Sequential Minimal Optimization) を用いた一級スラブSVMの高速トレーニング手法を提案する。 その結果、このトレーニング手法は、他の準計画法(QP)の解法よりも、大規模なトレーニングデータに対してより優れたスケールが可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-06T09:16:39Z)
• Nonlinear classifiers for ranking problems based on kernelized SVM [0.0]
  多くの分類問題は、全てのサンプルではなく、最も関連性の高いサンプルのみの性能を最大化することに焦点を当てている。 本稿では、これらの線形分類問題のいくつかのクラスを含む一般的な枠組みを導出する。 問題を二元化し、カーネルを追加し、コンポーネントワイドのアセンジ法を提案する。
  論文  参考訳（メタデータ） (2020-02-26T12:37:11Z)

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。