論文の概要: Social Distancing is Good for Points too!

• arxiv url: http://arxiv.org/abs/2006.15650v1
• Date: Sun, 28 Jun 2020 16:49:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 03:09:14.904773
• Title: Social Distancing is Good for Points too!
• Title（参考訳）: ソーシャルディスタンシングもポイントに適しています!
• Authors: Alejandro Flores-Velazco
• Abstract要約: 点が近すぎるとFCNNの動作が悪くなることを示す。 そして、そのようなケースを避けるためにアルゴリズムの修正に成功した。 この修正はアルゴリズムの近似保証とともに有用な上界を証明するのに十分である。
• 参考スコア（独自算出の注目度）: 91.3755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The nearest-neighbor rule is a well-known classification technique that, given a training set P of labeled points, classifies any unlabeled query point with the label of its closest point in P. The nearest-neighbor condensation problem aims to reduce the training set without harming the accuracy of the nearest-neighbor rule. FCNN is the most popular algorithm for condensation. It is heuristic in nature, and theoretical results for it are scarce. In this paper, we settle the question of whether reasonable upper-bounds can be proven for the size of the subset selected by FCNN. First, we show that the algorithm can behave poorly when points are too close to each other, forcing it to select many more points than necessary. We then successfully modify the algorithm to avoid such cases, thus imposing that selected points should "keep some distance". This modification is sufficient to prove useful upper-bounds, along with approximation guarantees for the algorithm.
• Abstract（参考訳）: near-neighborルールは、ラベル付きポイントのトレーニングセットpが与えられると、ラベル付きクエリポイントをpの最も近いポイントのラベルに分類する、よく知られた分類手法である。 fcnnは最も一般的な凝縮アルゴリズムである。 自然界ではヒューリスティックであり、理論的な結果はほとんどない。 本稿では,FCNNが選択したサブセットのサイズに対して,妥当な上限値が証明できるかどうかを問う。 まず,各点が互いに近すぎるとアルゴリズムの振る舞いが悪くなり,必要以上に多くの点を選択せざるを得なくなることを示した。 このような場合を避けるためにアルゴリズムをうまく修正し、選択された点が「ある程度の距離を保つ」べきであると仮定した。 この修正はアルゴリズムの近似保証とともに有用な上界を証明するのに十分である。

関連論文リスト

• Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
  我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。 多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
  論文  参考訳（メタデータ） (2024-09-08T13:08:45Z)
• Optimal Extended Neighbourhood Rule $k$ Nearest Neighbours Ensemble [1.8843687952462742]
  本稿では,新しい拡張近傍ルールに基づくアンサンブル法を提案する。 アンサンブルは、精度、Cohen's kappa、Brier score(BS)を使用した17のベンチマークデータセットの最先端の手法と比較される。
  論文  参考訳（メタデータ） (2022-11-21T09:13:54Z)
• Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
  トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。 提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-03T11:09:13Z)
• Best Policy Identification in Linear MDPs [70.57916977441262]
  縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。 複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
  論文  参考訳（メタデータ） (2022-08-11T04:12:50Z)
• Improved Search of Relevant Points for Nearest-Neighbor Classification [91.3755431537592]
  トレーニングセットから除外された場合、トレーニングポイントが$mathbbRd$のクエリポイントの誤分類を引き起こす可能性がある場合、トレーニングポイントは関連していると言います。 出力に敏感なアルゴリズムが提案され、境界点の集合が$P$ in $O(n2 + nk2 )$ time, ここで$k$はそのような集合のサイズである。 本稿では,このアルゴリズムを,O(nk2 )$と同等の時間複雑性を持つように改良し,そのアルゴリズムの最初のステップが$O(n2)であることを示す。
  論文  参考訳（メタデータ） (2022-03-07T18:10:27Z)
• Finding Relevant Points for Nearest-Neighbor Classification [0.456877715768796]
  最寄りの分類問題では、それぞれ既知の分類を持つ$d$次元の訓練点の集合が与えられ、他の点の未知の分類を推測するために使用される。 トレーニングセットからの離脱がこれらの推論の結果を変える場合、トレーニングポイントが関係する。
  論文  参考訳（メタデータ） (2021-10-12T16:58:29Z)
• Resolving the Optimal Metric Distortion Conjecture [27.344649091365067]
  以下の計量歪み問題を考察する。 点の有限集合である$V$と$C$は、同じ距離空間にある。 我々はこれらのランキングのみを入力として、$C$のポイントを選択するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-16T04:13:06Z)
• Coresets for the Nearest-Neighbor Rule [78.15296214629433]
  最も近い隣の凝縮は、サブセット$R の部分集合 P$ を見つけることである。 本稿では,最寄りの分類のためのコアセットの概念を紹介する。 そこで我々は,選択した部分集合のサイズを上界として証明可能な2次時間近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-16T19:00:48Z)

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。