論文の概要: Population structure-learned classifier for high-dimension low-sample-size class-imbalanced problem

• arxiv url: http://arxiv.org/abs/2009.04722v1
• Date: Thu, 10 Sep 2020 08:33:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 03:11:59.609719
• Title: Population structure-learned classifier for high-dimension low-sample-size class-imbalanced problem
• Title（参考訳）: 高次元低サンプルサイズクラス不均衡問題に対する集団構造学習型分類器
• Authors: Liran Shen, Meng Joo Er, Qingbo Yin
• Abstract要約: 集団構造学習型分類器(PSC)を提案する。 PSCは、IHDLSS上でのより優れた一般化性能を得ることができる。 PSCはIHDLSSの最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 3.411873646414169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Classification on high-dimension low-sample-size data (HDLSS) is a challenging problem and it is common to have class-imbalanced data in most application fields. We term this as Imbalanced HDLSS (IHDLSS). Recent theoretical results reveal that the classification criterion and tolerance similarity are crucial to HDLSS, which emphasizes the maximization of within-class variance on the premise of class separability. Based on this idea, a novel linear binary classifier, termed Population Structure-learned Classifier (PSC), is proposed. The proposed PSC can obtain better generalization performance on IHDLSS by maximizing the sum of inter-class scatter matrix and intra-class scatter matrix on the premise of class separability and assigning different intercept values to majority and minority classes. The salient features of the proposed approach are: (1) It works well on IHDLSS; (2) The inverse of high dimensional matrix can be solved in low dimensional space; (3) It is self-adaptive in determining the intercept term for each class; (4) It has the same computational complexity as the SVM. A series of evaluations are conducted on one simulated data set and eight real-world benchmark data sets on IHDLSS on gene analysis. Experimental results demonstrate that the PSC is superior to the state-of-art methods in IHDLSS.
• Abstract（参考訳）: 高次元低サンプルサイズデータ(HDLSS)の分類は難しい問題であり、ほとんどのアプリケーション分野においてクラス不均衡データを持つことが一般的である。 これを不均衡HDLSS(IHDLSS)と呼ぶ。 近年、分類基準と寛容類似性はHDLSSにとって重要であり、クラス分離性の前提におけるクラス内分散の最大化を強調している。 この考え方に基づき, 集団構造学習型分類器 (psc) と呼ばれる新しい線形二項分類器を提案する。 提案したPSCは,クラス分離性の前提でクラス間散乱行列とクラス内散乱行列の和を最大化し,多数クラスと少数クラスに異なるインターセプト値を割り当てることで,IHDLSSのより優れた一般化性能を得ることができる。 提案手法の特徴は,(1) ihdls上でうまく機能する,(2)高次元行列の逆を低次元空間で解くことができる,(3)各クラスに対するインターセプト項を決定するのに自己適応的である,(4)計算複雑性がsvmと同じであること,である。 1つのシミュレーションデータセットと8つの実世界のベンチマークデータセットで遺伝子解析に関する一連の評価を行う。 IHDLSSの最先端手法よりもPSCの方が優れていることを示す実験結果を得た。

関連論文リスト

• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Overlapping oriented imbalanced ensemble learning method based on projective clustering and stagewise hybrid sampling [22.32930261633615]
  本稿では、二重クラスタリングとステージワイドハイブリッドサンプリング(DCSHS)に基づくアンサンブル学習アルゴリズムを提案する。 我々のアルゴリズムの大きな利点は、重なり合う多数サンプルのソフトな除去を実現するためにCSの交叉性を利用することができることである。
  論文  参考訳（メタデータ） (2022-11-30T01:49:06Z)
• 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)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Divide-and-Conquer Hard-thresholding Rules in High-dimensional Imbalanced Classification [1.0312968200748118]
  高次元の線形判別分析(LDA)における不均衡クラスサイズの影響について検討した。 マイノリティ・クラスと呼ばれる1つのクラスのデータの不足により、LDAはマイノリティ・クラスを無視し、最大誤分類率を得ることを示す。 そこで本研究では,不等式化率の大きな差を低減させる分割・対数法に基づくハードコンカレンスルールの新たな構成法を提案する。
  論文  参考訳（メタデータ） (2021-11-05T07:44:28Z)
• Statistical Theory for Imbalanced Binary Classification [8.93993657323783]
  最適分類性能は、これまで形式化されていなかったクラス不均衡の特定の性質に依存することを示す。 具体的には、一様クラス不均衡と呼ばれる新しいクラス不均衡のサブタイプを提案する。 これらの結果は、不均衡二項分類に対する最初の有意義な有限サンプル統計理論のいくつかを提供する。
  論文  参考訳（メタデータ） (2021-07-05T03:55:43Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Self-Weighted Robust LDA for Multiclass Classification with Edge Classes [111.5515086563592]
  SWRLDAと呼ばれる,l21ノルムを基準とした新しい自己重み付き頑健なLDAを提案する。 提案するSWRLDAは実装が容易で,実際に高速に収束する。
  論文  参考訳（メタデータ） (2020-09-24T12:32:55Z)
• High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance Model [101.74172837046382]
  そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。 数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
  論文  参考訳（メタデータ） (2020-06-25T12:00:26Z)
• The classification for High-dimension low-sample size data [3.411873646414169]
  本稿では,クラス分離可能性の前提として,クラス内分散の類似性を強調する,HDLSSの新たな分類基準を提案する。 この基準により、非分離データ分散最大値 (NPDMD) で表される新しい線形二分分類器が設計される。 NPDMDは最先端の分類法と比較していくつかの特徴がある。
  論文  参考訳（メタデータ） (2020-06-21T07:04:16Z)

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。