論文の概要: Nonparallel Hyperplane Classifiers for Multi-category Classification

• arxiv url: http://arxiv.org/abs/2004.07512v1
• Date: Thu, 16 Apr 2020 08:03:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 21:01:19.792106
• Title: Nonparallel Hyperplane Classifiers for Multi-category Classification
• Title（参考訳）: 多カテゴリ分類のための非並列超平面分類器
• Authors: Pooja Saigal, Reshma Khemchandani
• Abstract要約: 非並列超平面分類アルゴリズム(NHCA)が提案されているが、これはSVMと比較した場合の分類精度に匹敵するものである。 本稿では,TWSVM(Twin SVM),GEPSVM(Generalized eigenvalue proximal SVM),RegGEPSVM(Regularized GEPSVM),IGEPSVM( Improved GEPSVM)の4つのNHCAの比較検討を行った。 実験結果から,TDS-TWSVMは分類精度で他の手法よりも優れており,BT-RegGEPSVMの方が優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.3867363075280544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Support vector machines (SVMs) are widely used for solving classification and regression problems. Recently, various nonparallel hyperplanes classification algorithms (NHCAs) have been proposed, which are comparable in terms of classification accuracy when compared with SVM but are computationally more efficient. All these NHCAs are originally proposed for binary classification problems. Since, most of the real world classification problems deal with multiple classes, these algorithms are extended in multi-category scenario. In this paper, we present a comparative study of four NHCAs i.e. Twin SVM (TWSVM), Generalized eigenvalue proximal SVM (GEPSVM), Regularized GEPSVM (RegGEPSVM) and Improved GEPSVM (IGEPSVM)for multi-category classification. The multi-category classification algorithms for NHCA classifiers are implemented using OneAgainst-All (OAA), binary tree-based (BT) and ternary decision structure (TDS) approaches and the experiments are performed on benchmark UCI datasets. The experimental results show that TDS-TWSVM outperforms other methods in terms of classification accuracy and BT-RegGEPSVM takes the minimum time for building the classifier
• Abstract（参考訳）: サポートベクトルマシン(SVM)は、分類と回帰問題を解決するために広く使われている。 近年,SVMと比較した場合の分類精度に匹敵するが,計算効率が向上する,様々な非並列超平面分類アルゴリズム (NHCA) が提案されている。 これらのNHCAはもともと二項分類問題に対して提案されている。 実世界の分類問題の多くは複数のクラスを扱うため、これらのアルゴリズムは多カテゴリシナリオで拡張される。 本稿では,TWSVM(Twin SVM),GEPSVM(Generalized eigenvalue proximal SVM),正規化GEPSVM(RegGEPSVM),改良GEPSVM(IGEPSVM)の4つのNHCAの比較検討を行った。 nhca分類器のマルチカテゴリ分類アルゴリズムをoneagainst-all(oaa)、bt(binary tree-based)、tds(ternary decision structure)を用いて実装し、ベンチマークuciデータセットを用いて実験を行った。 実験の結果、TDS-TWSVMは分類精度で他の手法よりも優れており、BT-RegGEPSVMは分類器を構築するのに最低時間を要することがわかった。

関連論文リスト

• Smooth Ranking SVM via Cutting-Plane Method [6.946903076677842]
  我々は,AUCを最大化するために,Randing SVMと類似した切削平面法に依存するプロトタイプ学習手法を開発した。 本アルゴリズムは,切削面を反復的に導入することで,より単純なモデルを学ぶ。 73のバイナリ分類データセットを用いて行った実験から,本手法は競合する25のデータセットの中で最高のAUCが得られる。
  論文  参考訳（メタデータ） (2024-01-25T18:47:23Z)
• Efficient Approximate Kernel Based Spike Sequence Classification [56.2938724367661]
  SVMのような機械学習モデルは、シーケンスのペア間の距離/相似性の定義を必要とする。 厳密な手法により分類性能は向上するが、計算コストが高い。 本稿では,その予測性能を向上させるために,近似カーネルの性能を改善する一連の方法を提案する。
  論文  参考訳（メタデータ） (2022-09-11T22:44:19Z)
• Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms [36.810603503167755]
  我々は,MCIMO(Multi-class classification with Imprecise Observation)と呼ばれる新しい現実的問題に対処する新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そこで,提案した課題を解決するために,サポートベクタマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2022-06-09T07:14:00Z)
• 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)
• 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)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Unsupervised Real Time Prediction of Faults Using the Support Vector Machine [1.1852751647387592]
  提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。 この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
  論文  参考訳（メタデータ） (2020-12-30T04:27:10Z)
• 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)
• 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)
• Self-Weighted Robust LDA for Multiclass Classification with Edge Classes [111.5515086563592]
  SWRLDAと呼ばれる,l21ノルムを基準とした新しい自己重み付き頑健なLDAを提案する。 提案するSWRLDAは実装が容易で,実際に高速に収束する。
  論文  参考訳（メタデータ） (2020-09-24T12:32:55Z)
• Probabilistic Classification Vector Machine for Multi-Class Classification [29.411892651468797]
  確率的分類ベクトルマシン(PCVM)は、支持ベクトルマシンと関連するベクトルマシンの両方の利点を合成する。 我々はPCVMを1-vs-restや1-vs-oneといった投票戦略を通じてマルチクラスケースに拡張する。 mPCVMでは、2つの学習アルゴリズム、すなわち1つのトップダウンアルゴリズムと1つのボトムアップアルゴリズムが実装されている。 mPCVMの優れた性能は、合成データセットとベンチマークデータセットで広く評価されている。
  論文  参考訳（メタデータ） (2020-06-29T03:21:38Z)

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。