論文の概要: SVM-Lattice: A Recognition & Evaluation Frame for Double-peaked Profiles
- arxiv url: http://arxiv.org/abs/2005.00678v1
- Date: Sat, 2 May 2020 01:56:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 13:01:38.128225
- Title: SVM-Lattice: A Recognition & Evaluation Frame for Double-peaked Profiles
- Title（参考訳）: SVM-Lattice: ダブルピークプロファイルのための認識・評価フレーム
- Authors: Haifeng Yang, Caixia Qu, Jianghui Cai, Sulan Zhang, Xujun Zhao
- Abstract要約: SVM-Latticeと呼ばれる新しい格子構造は、SVMとFCLに基づいて設計されている。
SVM-Latticeは、二重ピークプロファイルを持つ希少スペクトルの認識と評価に特に応用される。
その結果,従来の手法との整合性が良好であり,分類結果の精度が高く,検索効率も他の類似手法よりも高いことがわかった。
- 参考スコア（独自算出の注目度）: 5.2708048125255615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In big data era, the special data with rare characteristics may be of great
significations. However, it is very difficult to automatically search these
samples from the massive and high-dimensional datasets and systematically
evaluate them. The DoPS, our previous work [2], provided a search method of
rare spectra with double-peaked profiles from massive and high-dimensional data
of LAMOST survey. The identification of the results is mainly depended on
visually inspection by astronomers. In this paper, as a follow-up study, a new
lattice structure named SVM-Lattice is designed based on SVM(Support Vector
Machine) and FCL(Formal Concept Lattice) and particularly applied in the
recognition and evaluation of rare spectra with double-peaked profiles. First,
each node in the SVM-Lattice structure contains two components: the intents are
defined by the support vectors trained by the spectral samples with the
specific characteristics, and the relevant extents are all the positive samples
classified by the support vectors. The hyperplanes can be extracted from every
lattice node and used as classifiers to search targets by categories. A
generalization and specialization relationship is expressed between the layers,
and higher layers indicate higher confidence of targets. Then, including a
SVM-Lattice building algorithm, a pruning algorithm based on association rules,
and an evaluation algorithm, the supporting algorithms are provided and
analysed. Finally, for the recognition and evaluation of spectra with
double-peaked profiles, several data sets from LAMOST survey are used as
experimental dataset. The results exhibit good consistency with traditional
methods, more detailed and accurate evaluations of classification results, and
higher searching efficiency than other similar methods.
- Abstract（参考訳）: ビッグデータ時代には、まれな特徴を持つ特殊なデータには大きな意味があるかもしれない。
しかし、これらのサンプルを大規模かつ高次元のデータセットから自動的に検索し、体系的に評価することは極めて困難である。
過去の研究 [2] であるdops は、ラストサーベイの大規模・高次元データから、二重ピークプロファイルを持つレアスペクトルの探索法を提供した。
結果の同定は、主に天文学者による視覚検査に依存する。
本稿では, svm(support vector machine) と fcl(formal concept lattice) に基づき, svm-lattice と呼ばれる新しい格子構造を設計, 特に二重ピークプロファイルを持つ希少スペクトルの認識と評価に応用した。
まず、SVM-Lattice構造の各ノードは、2つの成分を含む: インテントは、特定の特性を持つスペクトルサンプルによって訓練された支持ベクトルによって定義され、関連する範囲は、支持ベクトルによって分類された全ての正のサンプルである。
ハイパープレーンはすべての格子ノードから抽出することができ、カテゴリごとにターゲットを探索するために分類器として使用される。
一般化と特殊化の関係は層間で表現され、より高い層は目標に対する高い信頼を示す。
次に、SVM-Lattice構築アルゴリズム、アソシエーションルールに基づくプルーニングアルゴリズム、評価アルゴリズムを含む、支援アルゴリズムを提供し、分析する。
最後に、ダブルピークプロファイルによるスペクトルの認識と評価のために、lamost surveyのいくつかのデータセットを実験データセットとして使用する。
その結果,従来手法との整合性が良好であり,分類結果の精度が向上し,検索効率も他の類似手法よりも高かった。
関連論文リスト
- DiffSpectralNet : Unveiling the Potential of Diffusion Models for
Hyperspectral Image Classification [6.521187080027966]
我々は拡散と変圧器技術を組み合わせたDiffSpectralNetと呼ばれる新しいネットワークを提案する。
まず,拡散モデルに基づく教師なし学習フレームワークを用いて,高レベル・低レベルのスペクトル空間的特徴を抽出する。
この拡散法はスペクトル空間の特徴を多様かつ有意義に抽出し,HSI分類の改善につながる。
論文 参考訳（メタデータ） (2023-10-29T15:26:37Z) - RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳（メタデータ） (2023-10-18T07:30:08Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-09-14T00:40:07Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - A SPA-based Manifold Learning Framework for Motor Imagery EEG Data
Classification [2.4727719996518487]
本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。
特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。
分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
論文 参考訳（メタデータ） (2021-07-30T06:18:05Z) - Rule-Based Classification of Hyperspectral Imaging Data [0.0]
スペクトルシグネチャの形状に基づく一般的な分類手法を提案する。
古典的な分類法(例えば、SVM、KNN)とは対照的に、反射率値だけでなく、曲率点、曲率値、スペクトルシグネチャの曲率挙動などのパラメータも考慮されている。
方法論の柔軟性と効率性は、2つの異なるアプリケーション分野のデータセットを用いて実証される。
論文 参考訳（メタデータ） (2021-07-21T10:11:41Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳（メタデータ） (2021-06-11T13:03:33Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Adaptive Linear Span Network for Object Skeleton Detection [56.78705071830965]
本研究では,適応線形スパンネットワーク(AdaLSN)を提案する。
AdaLSNは、精度とレイテンシのトレードオフを著しく高めることで、その汎用性を裏付ける。
また、エッジ検出や道路抽出といったイメージ・ツー・マスクのタスクに適用可能であることも示している。
論文 参考訳（メタデータ） (2020-11-08T12:51:14Z) - Robust Classification of High-Dimensional Spectroscopy Data Using Deep
Learning and Data Synthesis [0.5801044612920815]
分光データのバイナリ分類における局所接続型ニューラルネットワーク(NN)の新たな応用を提案する。
2段階の分類プロセスは、2段階の分類パラダイムと1段階の分類パラダイムの代替として提示される。
論文 参考訳（メタデータ） (2020-03-26T11:33:52Z)
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。