論文の概要: Saliency-based Weighted Multi-label Linear Discriminant Analysis

• arxiv url: http://arxiv.org/abs/2004.04221v1
• Date: Wed, 8 Apr 2020 19:40:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 08:17:36.952652
• Title: Saliency-based Weighted Multi-label Linear Discriminant Analysis
• Title（参考訳）: 塩分に基づく重み付き多ラベル線形判別分析
• Authors: Lei Xu, Jenni Raitoharju, Alexandros Iosifidis, Moncef Gabbouj
• Abstract要約: 複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。 提案手法は,個々の試料の重量を定義する確率モデルに基づく。 サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
• 参考スコア（独自算出の注目度）: 101.12909759844946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a new variant of Linear Discriminant Analysis (LDA) to solve multi-label classification tasks. The proposed method is based on a probabilistic model for defining the weights of individual samples in a weighted multi-label LDA approach. Linear Discriminant Analysis is a classical statistical machine learning method, which aims to find a linear data transformation increasing class discrimination in an optimal discriminant subspace. Traditional LDA sets assumptions related to Gaussian class distributions and single-label data annotations. To employ the LDA technique in multi-label classification problems, we exploit intuitions coming from a probabilistic interpretation of class saliency to redefine the between-class and within-class scatter matrices. The saliency-based weights obtained based on various kinds of affinity encoding prior information are used to reveal the probability of each instance to be salient for each of its classes in the multi-label problem at hand. The proposed Saliency-based weighted Multi-label LDA approach is shown to lead to performance improvements in various multi-label classification problems.
• Abstract（参考訳）: 本稿では,マルチラベル分類課題を解決するために,線形判別分析(lda)の新たな変種を提案する。 提案手法は,重み付き多ラベルLDA手法を用いて個々のサンプルの重み付けを定義する確率モデルに基づく。 線形判別分析(英: linear discriminant analysis)は、最適判別部分空間においてクラス識別を増加させる線形データ変換を見つけることを目的とした、古典的な統計機械学習手法である。 従来のLDAはガウスのクラス分布と単一ラベルのデータアノテーションに関する仮定を設定する。 LDA手法を多ラベル分類問題に適用するために,クラスサリエンシの確率論的解釈から得られる直感を利用して,クラス間およびクラス内散乱行列を再定義する。 先行情報を符号化する各種親和性に基づいて得られた親和性に基づく重み付けを用いて、対象とする複数ラベル問題において、各クラス毎の親和性を示す確率を明らかにする。 提案手法は,多段分類問題における性能改善につながることが示唆された。

関連論文リスト

• A New Forward Discriminant Analysis Framework Based On Pillai's Trace and ULDA [6.087464679182875]
  本稿では, Pillai のトレースと Uncorrelated Linear Discriminant Analysis (ULDA) を統合し,これらの課題に対処する新しい前方識別分析フレームワークを提案する。 シミュレーションと実世界のデータセットを通じて、新しいフレームワークはタイプIエラー率の効果的な制御と分類精度の向上を示す。
  論文  参考訳（メタデータ） (2024-09-05T00:12:15Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Minimally Informed Linear Discriminant Analysis: training an LDA model with unlabelled data [51.673443581397954]
  本研究では,LDAモデルからの正確な射影ベクトルを,ラベルのないデータに基づいて計算可能であることを示す。 MILDA投影ベクトルはLDAに匹敵する計算コストで閉じた形で計算可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-17T09:50:31Z)
• GO-LDA: Generalised Optimal Linear Discriminant Analysis [6.644357197885522]
  線形判別分析はパターン認識やデータ解析の研究、実践において有用なツールである。 多クラスLDAに対する一般化固有解析解は、直交判別方向を導出したり、それに沿った投影データの識別を最大化したりしないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T23:11:05Z)
• Varying Coefficient Linear Discriminant Analysis for Dynamic Data [5.228711636020666]
  本稿では,動的データに対する変動係数LDAモデルについて検討する。 ベイズ方向と平行な新たな識別方向関数を導出することにより,最小二乗推定法を提案する。 高次元の場合、対応するデータ駆動判別法則は、既存の動的線形プログラミング法則よりも計算的に効率的である。
  論文  参考訳（メタデータ） (2022-03-12T07:32:19Z)
• Distributed Sparse Multicategory Discriminant Analysis [1.7223564681760166]
  本稿では,スパースマルチカテゴリ線形判別分析のための凸定式化を提案し,複数のサイトにわたってデータが格納されている場合,それを分散環境に拡張する。 理論的には、分散スパース多重カテゴリー線形判別分析が、数ラウンドの通信の後、集中バージョンと同等に機能することを保証する統計特性を確立する。
  論文  参考訳（メタデータ） (2022-02-22T14:23:33Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance Model [101.74172837046382]
  そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。 数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
  論文  参考訳（メタデータ） (2020-06-25T12:00:26Z)
• Sparse Methods for Automatic Relevance Determination [0.0]
  まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。 次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
  論文  参考訳（メタデータ） (2020-05-18T14:08:49Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。