論文の概要: m-arcsinh: An Efficient and Reliable Function for SVM and MLP in scikit-learn

• arxiv url: http://arxiv.org/abs/2009.07530v1
• Date: Wed, 16 Sep 2020 07:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 22:51:51.385634
• Title: m-arcsinh: An Efficient and Reliable Function for SVM and MLP in scikit-learn
• Title（参考訳）: m-arcsinh: scikit-learnにおけるsvmおよびmlpの効率的かつ信頼性の高い機能
• Authors: Luca Parisi
• Abstract要約: 「m-arcsinh」は双曲型逆正弦関数(「arcsinh」)の修正版(「m-」)である カーネルとアクティベーション機能は、SVM(Support Vector Machine)やMLP(Multi-Layer Perceptron)といった機械学習(ML)ベースのアルゴリズムを可能にする。 m-arcsinhはオープンソースのPythonライブラリ'cikit-learn'で実装されている
• 参考スコア（独自算出の注目度）: 2.398608007786179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes the 'm-arcsinh', a modified ('m-') version of the inverse hyperbolic sine function ('arcsinh'). Kernel and activation functions enable Machine Learning (ML)-based algorithms, such as Support Vector Machine (SVM) and Multi-Layer Perceptron (MLP), to learn from data in a supervised manner. m-arcsinh, implemented in the open source Python library 'scikit-learn', is hereby presented as an efficient and reliable kernel and activation function for SVM and MLP respectively. Improvements in reliability and speed to convergence in classification tasks on fifteen (N = 15) datasets available from scikit-learn and the University California Irvine (UCI) Machine Learning repository are discussed. Experimental results demonstrate the overall competitive classification performance of both SVM and MLP, achieved via the proposed function. This function is compared to gold standard kernel and activation functions, demonstrating its overall competitive reliability regardless of the complexity of the classification tasks involved.
• Abstract（参考訳）: 本稿では,逆双曲型正弦関数 ('arcsinh') の修飾('m-')版である'm-arcsinh'について述べる。 カーネルとアクティベーション機能は、SVM(Support Vector Machine)やMLP(Multi-Layer Perceptron)といった機械学習(ML)ベースのアルゴリズムを、教師付き方法でデータから学習可能にする。 オープンソースのPythonライブラリ'scikit-learn'に実装されているm-arcsinhは、それぞれSVMとMLPの、効率的で信頼性の高いカーネルとアクティベーション関数として提示される。 シンキットラーンとUCI(University California Irvine)機械学習レポジトリから利用可能な15(N = 15)データセットの分類タスクにおける信頼性の向上と収束速度について論じる。 実験の結果,SVMとMLPの総合的な競合分類性能が,提案関数を用いて達成された。 この関数はゴールド標準カーネルやアクティベーション関数と比較され、関連する分類タスクの複雑さに関わらず、全体的な競合信頼性を示す。

関連論文リスト

• Clustering Students According to their Academic Achievement Using Fuzzy Logic [15.236546465767026]
  ファジィ論理を用いた学習成果に応じて生徒をクラスタリングするソフトウェアをPythonで開発した。 ファジィ・メンバシップ関数を用いることで,学生が特定のクラスタに属しているかどうかを正確に決定できることが示されている。
  論文  参考訳（メタデータ） (2023-12-01T23:02:34Z)
• Low-Rank Multitask Learning based on Tensorized SVMs and LSSVMs [65.42104819071444]
  マルチタスク学習(MTL)はタスク関連性を活用して性能を向上させる。 タスクインデックスに対応する各モードを持つ高次テンソルを用いて、複数のインデックスが参照するタスクを自然に表現する。 テンソル化サポートベクターマシン(SVM)と最小2乗サポートベクターマシン(LSSVM)を併用した低ランクMTL手法の汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-30T14:28:26Z)
• Tuning Pre-trained Model via Moment Probing [62.445281364055795]
  本稿では,LP の可能性を探るため,新しい Moment Probing (MP) 法を提案する。 MPは、最終特徴の平均に基づいて線形分類ヘッドを実行する。 当社のMPはLPを著しく上回り、トレーニングコストの低い相手と競争しています。
  論文  参考訳（メタデータ） (2023-07-21T04:15:02Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• 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)
• Primal Estimated Subgradient Solver for SVM for Imbalanced Classification [0.0]
  我々は,PEGASOS SVMが8.6:1から130:1までのマイノリティ比に大きく依存する不均衡データセットに対して,優れた性能を達成できることを実証することを目的とする。 学習曲線を調べて評価する。 PEGASOS Cost-Sensitive SVM's results of Ding's LINEAR SVM DECIDL method。
  論文  参考訳（メタデータ） (2022-06-19T02:33:14Z)
• M-ar-K-Fast Independent Component Analysis [1.027974860479791]
  本研究では,特徴抽出のためのm-arcsinh Kernel ('m-ar-K') Fast Independent Component Analysis ('FastICA')を提案する。 カーネルのトリックにより、データの非直線性が高い範囲をキャプチャできる次元削減技術が実現された。 m-ar-K関数はPythonで自由に利用でき、オープンソースのライブラリ'cikit-learn'と互換性がある。
  論文  参考訳（メタデータ） (2021-08-17T23:53:12Z)
• Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
  我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。 このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。 分類モデルと非分類モデルの両方に使用できる。
  論文  参考訳（メタデータ） (2020-09-16T18:57:57Z)
• Learning Kernel for Conditional Moment-Matching Discrepancy-based Image Classification [26.09932710494144]
  条件付き最大平均離散性(CMMD)の識別性能向上のための新しいカーネル学習法を提案する。 ディープネットワークの特徴を反復的に操作することができ、略してKLNと表記される。 特に、カーネルベースの類似性はディープネットワーク機能について反復的に学習されており、アルゴリズムをエンドツーエンドで実装することができる。
  論文  参考訳（メタデータ） (2020-08-24T02:35:50Z)
• Learning to Learn Kernels with Variational Random Features [118.09565227041844]
  メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。 変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-11T18:05:29Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。