論文の概要: Affine Non-negative Collaborative Representation Based Pattern Classification

• arxiv url: http://arxiv.org/abs/2007.05175v1
• Date: Fri, 10 Jul 2020 05:48:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 22:09:55.931284
• Title: Affine Non-negative Collaborative Representation Based Pattern Classification
• Title（参考訳）: アフィン非負の協調表現に基づくパターン分類
• Authors: He-Feng Yin, Xiao-Jun Wu, Zhen-Hua Feng and Josef Kittler
• Abstract要約: 提案した非負表現ベース分類法(NRC)は,幅広い分類タスクにおいて有望な結果をもたらすことが報告されている。 本稿では,パターン分類のためのアフィン非負協調表現(ANCR)モデルを提案する。
• 参考スコア（独自算出の注目度）: 41.370946011312746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the past decade, representation-based classification methods have received considerable attention in pattern recognition. In particular, the recently proposed non-negative representation based classification (NRC) method has been reported to achieve promising results in a wide range of classification tasks. However, NRC has two major drawbacks. First, there is no regularization term in the formulation of NRC, which may result in unstable solution and misclassification. Second, NRC ignores the fact that data usually lies in a union of multiple affine subspaces, rather than linear subspaces in practical applications. To address the above issues, this paper presents an affine non-negative collaborative representation (ANCR) model for pattern classification. To be more specific, ANCR imposes a regularization term on the coding vector. Moreover, ANCR introduces an affine constraint to better represent the data from affine subspaces. The experimental results on several benchmarking datasets demonstrate the merits of the proposed ANCR method. The source code of our ANCR is publicly available at https://github.com/yinhefeng/ANCR.
• Abstract（参考訳）: 過去10年間で、表現に基づく分類法は、パターン認識に大きな注目を集めてきた。 特に,最近提案された非負の表現ベース分類(NRC)法は,幅広い分類タスクにおいて有望な結果をもたらすことが報告されている。 しかし、NRCには2つの大きな欠点がある。 まず、NRCの定式化には正規化項はなく、不安定な解と誤分類をもたらす可能性がある。 第二に、NRCは、データが実際的な応用において線形な部分空間ではなく、複数のアフィン部分空間の結合にあるという事実を無視している。 本稿では,パターン分類のためのアフィン非負協調表現(ANCR)モデルを提案する。 より具体的に言うと、ancrは符号化ベクトルに正規化項を課す。 さらに、ANCRはアフィン部分空間からのデータをよりよく表現するためのアフィン制約を導入している。 いくつかのベンチマークデータセットの実験結果から,提案手法の有効性が示された。 ANCRのソースコードはhttps://github.com/yinhefeng/ANCRで公開されています。

関連論文リスト

• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Contrastive Neural Ratio Estimation for Simulation-based Inference [15.354874711988662]
  Likelihood-to-evidence ratio Estimation は通常、バイナリ (NRE-A) またはマルチクラス (NRE-B) の分類タスクとしてキャストされる。 バイナリ分類フレームワークとは対照的に、現在のマルチクラスバージョンの定式化は本質的で未知のバイアス項を持つ。 我々は,NRE-Bに固有のバイアスを最適に含まないマルチクラスフレームワークを提案し,実践者が依存する診断を行う立場に置かれる。
  論文  参考訳（メタデータ） (2022-10-11T00:12:51Z)
• Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
  安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。 任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。 実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
  論文  参考訳（メタデータ） (2022-09-09T13:34:51Z)
• 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)
• Unbiased Subdata Selection for Fair Classification: A Unified Framework and Scalable Algorithms [0.8376091455761261]
  このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。 そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。 これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
  論文  参考訳（メタデータ） (2020-12-22T21:09:38Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• A Compressive Classification Framework for High-Dimensional Data [12.284934135116515]
  本稿では,データ次元がサンプルサイズよりもかなり高い設定のための圧縮分類フレームワークを提案する。 提案手法は線形判別分析に基づく正規化判別分析(CRDA)と呼ばれる。 識別規則における強しきい値化を促進するジョイントスパーシティを用いることで、重要な特徴を選択できる。
  論文  参考訳（メタデータ） (2020-05-09T06:55:00Z)
• Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
  本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。 これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
  論文  参考訳（メタデータ） (2020-05-07T19:59:51Z)
• Clustering and Classification with Non-Existence Attributes: A Sentenced Discrepancy Measure Based Technique [0.0]
  クラスタリングアプローチは、計算や限界化といった技術による事前処理がなければ、そのようなデータに直接適用することはできない。 我々は、AWPD(Attribute Weighted Penalty Based Discrepancy)と呼ばれるセンテンシブ・ディフレナンシ・尺度を用いて、この欠点を克服した。 本手法は,非存在属性を持つデータセットに本手法を直接適用し,非存在属性を最適精度と最小コストで検出する手法を確立する。
  論文  参考訳（メタデータ） (2020-02-24T17:56:06Z)
• Multiplication fusion of sparse and collaborative-competitive representation for image classification [11.45863364570225]
  画像分類のためのスパースおよび協調競合表現に基づく分類法(SCCRC)を提案する。 融合係数は、それぞれSRCとCCRCの係数を乗算して導出される。 いくつかのベンチマークデータベースの実験結果から,提案したSCCRCの有効性が示された。
  論文  参考訳（メタデータ） (2020-01-20T12:55:55Z)

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。