論文の概要: Radial basis function kernel optimization for Support Vector Machine classifiers

• arxiv url: http://arxiv.org/abs/2007.08233v1
• Date: Thu, 16 Jul 2020 10:09:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:13:57.064866
• Title: Radial basis function kernel optimization for Support Vector Machine classifiers
• Title（参考訳）: サポートベクトルマシン分類器のラジアル基底関数カーネル最適化
• Authors: Karl Thurnhofer-Hemsi, Ezequiel L\'opez-Rubio, Miguel A. Molina-Cabello, Kayvan Najarian
• Abstract要約: OKSVMはRBFカーネルハイパーパラメータを自動的に学習し、SVM重みを同時に調整するアルゴリズムである。 合成データおよび実データに基づく分類において,従来のSVMに対するアプローチの性能を解析する。
• 参考スコア（独自算出の注目度）: 4.888981184420116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Support Vector Machines (SVMs) are still one of the most popular and precise classifiers. The Radial Basis Function (RBF) kernel has been used in SVMs to separate among classes with considerable success. However, there is an intrinsic dependence on the initial value of the kernel hyperparameter. In this work, we propose OKSVM, an algorithm that automatically learns the RBF kernel hyperparameter and adjusts the SVM weights simultaneously. The proposed optimization technique is based on a gradient descent method. We analyze the performance of our approach with respect to the classical SVM for classification on synthetic and real data. Experimental results show that OKSVM performs better irrespective of the initial values of the RBF hyperparameter.
• Abstract（参考訳）: Support Vector Machines (SVM) は今でも最も人気があり正確な分類法の一つである。 Radial Basis Function (RBF)カーネルは、SVMにおいて、かなり成功したクラス間で分離するために使われている。 しかし、カーネルハイパーパラメータの初期値には固有の依存性がある。 本研究では,RBFカーネルハイパーパラメータを自動的に学習し,SVM重みを同時に調整するアルゴリズムであるOKSVMを提案する。 提案手法は勾配降下法に基づく。 合成データおよび実データに基づく分類において,従来のSVMに対するアプローチの性能を解析する。 実験結果から,OKSVMはRBFハイパーパラメータの初期値によらず高い性能を示した。

関連論文リスト

• An Autotuning-based Optimization Framework for Mixed-kernel SVM Classifications in Smart Pixel Datasets and Heterojunction Transistors [0.0]
  Support Vector Machine (SVM) は、科学や工学で広く使われている最先端の分類手法である。 そこで本稿では,SVMにおけるハイパーパラメータの範囲を定量化して最適選択を識別する,自動チューニングに基づく最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-26T15:50:13Z)
• MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
  NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。 本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。 ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T05:59:52Z)
• Separability and Scatteredness (S&S) Ratio-Based Efficient SVM Regularization Parameter, Kernel, and Kernel Parameter Selection [10.66048003460524]
  Support Vector Machine (SVM)は、分類、回帰、外れ値検出に広く応用された堅牢な機械学習アルゴリズムである。 本研究では,SVMの性能をデータの分離性と分散性(S&S)の関数としてモデル化できることを示す。
  論文  参考訳（メタデータ） (2023-05-17T13:51:43Z)
• A new trigonometric kernel function for SVM [0.0]
  本稿では,機械学習アルゴリズムのパラメータを1つ含む新しい三角関数を提案する。 また,カーネル-SVM法とカーネル-SVR法の実証評価を行い,その性能を実証した。
  論文  参考訳（メタデータ） (2022-10-16T17:10:52Z)
• 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)
• Geometry-aware Bayesian Optimization in Robotics using Riemannian Mat\'ern Kernels [64.62221198500467]
  ベイズ最適化のための幾何対応カーネルの実装方法を示す。 この技術は、ロボット工学における制御パラメータチューニング、パラメトリックポリシー適応、構造設計に利用できる。
  論文  参考訳（メタデータ） (2021-11-02T09:47:22Z)
• 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)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• A Semismooth-Newton's-Method-Based Linearization and Approximation Approach for Kernel Support Vector Machines [1.177306187948666]
  Support Vector Machines (SVM) は最も人気があり、最も優れた分類アルゴリズムである。 本稿では,カーネルSVMに対する準平滑なニュートン法に基づく線形化近似手法を提案する。 提案手法の利点は、計算コストが低く、収束速度が速いことである。
  論文  参考訳（メタデータ） (2020-07-21T07:44:21Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)

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。