論文の概要: Probabilistic Classification Vector Machine for Multi-Class Classification

• arxiv url: http://arxiv.org/abs/2006.15791v1
• Date: Mon, 29 Jun 2020 03:21:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 13:38:19.189055
• Title: Probabilistic Classification Vector Machine for Multi-Class Classification
• Title（参考訳）: 多クラス分類のための確率的分類ベクトルマシン
• Authors: Shengfei Lyu, Xing Tian, Yang Li, Bingbing Jiang, Huanhuan Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.411892651468797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The probabilistic classification vector machine (PCVM) synthesizes the advantages of both the support vector machine and the relevant vector machine, delivering a sparse Bayesian solution to classification problems. However, the PCVM is currently only applicable to binary cases. Extending the PCVM to multi-class cases via heuristic voting strategies such as one-vs-rest or one-vs-one often results in a dilemma where classifiers make contradictory predictions, and those strategies might lose the benefits of probabilistic outputs. To overcome this problem, we extend the PCVM and propose a multi-class probabilistic classification vector machine (mPCVM). Two learning algorithms, i.e., one top-down algorithm and one bottom-up algorithm, have been implemented in the mPCVM. The top-down algorithm obtains the maximum a posteriori (MAP) point estimates of the parameters based on an expectation-maximization algorithm, and the bottom-up algorithm is an incremental paradigm by maximizing the marginal likelihood. The superior performance of the mPCVMs, especially when the investigated problem has a large number of classes, is extensively evaluated on synthetic and benchmark data sets.
• Abstract（参考訳）: 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し、分類問題に対するスパースベイズ解を提供する。 しかし、現在PCVMはバイナリケースにのみ適用できる。 PCVMを1-vs-restや1-vs-oneのようなヒューリスティックな投票戦略によってマルチクラスに拡張すると、分類器が矛盾する予測を行うジレンマが発生し、それらの戦略は確率的出力の利点を失う可能性がある。 この問題を解決するため、PCVMを拡張し、マルチクラス確率分類ベクトルマシン(mPCVM)を提案する。 mPCVMでは、トップダウンアルゴリズムとボトムアップアルゴリズムの2つの学習アルゴリズムが実装されている。 トップダウンアルゴリズムは、期待最大化アルゴリズムに基づいてパラメータの最大アフター(MAP)点推定値を取得し、ボトムアップアルゴリズムは、限界確率を最大化して漸進パラダイムである。 mPCVMの優れた性能は、特に研究対象のクラスが多ければ、合成データセットやベンチマークデータセットで広く評価される。

関連論文リスト

• 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)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Cost-sensitive probabilistic predictions for support vector machines [1.743685428161914]
  サポートベクターマシン(SVM)は広く使われており、最もよく検討され使用されている機械学習モデルの一つである。 本稿では,SVMの確率的出力を生成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-09T11:00:17Z)
• Projection based fuzzy least squares twin support vector machine for class imbalance problems [0.9668407688201361]
  本稿では,不均衡なクラスとノイズの多いデータセットを扱うファジィに基づく新しい手法を提案する。 提案アルゴリズムは,複数のベンチマークおよび合成データセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-27T14:28:48Z)
• 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)
• 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)
• Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
  サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
  論文  参考訳（メタデータ） (2021-02-23T20:22:56Z)
• Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
  分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。 一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
  論文  参考訳（メタデータ） (2020-12-04T15:36:29Z)
• Fully Bayesian Analysis of the Relevance Vector Machine Classification for Imbalanced Data [0.0]
  本稿では、RVM分類に対するジェネリック・ベイズ的アプローチを提案する。 提案アルゴリズムは,従来のRVM分類アルゴリズムの非収束推定値と比較し,関心量の収束推定値を求める。 RVM分類のための階層的ハイパープライア構造を持つ完全ベイズ的手法を提案し、特に不均衡なデータ問題において、分類性能を改善する。
  論文  参考訳（メタデータ） (2020-07-26T14:53:36Z)
• Unified SVM Algorithm Based on LS-DC Loss [0.0]
  異なるSVMモデルをトレーニングできるアルゴリズムを提案する。 UniSVMはクローズドフォームのソリューションであるため、既存のすべてのアルゴリズムに対して圧倒的な優位性がある。 実験によると、UniSVMはトレーニング時間の短縮で同等のパフォーマンスを達成できる。
  論文  参考訳（メタデータ） (2020-06-16T12:40:06Z)
• Nonparallel Hyperplane Classifiers for Multi-category Classification [0.3867363075280544]
  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。
  論文  参考訳（メタデータ） (2020-04-16T08:03:40Z)

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。