Fugu-MT 論文翻訳(概要): Neural Networks as Functional Classifiers

論文の概要: Neural Networks as Functional Classifiers

arxiv url: http://arxiv.org/abs/2010.04305v1
Date: Fri, 9 Oct 2020 00:11:01 GMT
ステータス: 処理完了
システム内更新日: 2022-10-09 04:38:49.312672
Title: Neural Networks as Functional Classifiers
Title（参考訳）: 機能分類器としてのニューラルネットワーク
Authors: Barinder Thind, Kevin Multani, Jiguo Cao
Abstract要約: 我々は、分類問題のために、注目すべき深層学習手法を機能データ領域に拡張する。本手法の有効性を,分光データの分類などの多くの分類応用において強調する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, there has been considerable innovation in the world of predictive methodologies. This is evident by the relative domination of machine learning approaches in various classification competitions. While these algorithms have excelled at multivariate problems, they have remained dormant in the realm of functional data analysis. We extend notable deep learning methodologies to the domain of functional data for the purpose of classification problems. We highlight the effectiveness of our method in a number of classification applications such as classification of spectrographic data. Moreover, we demonstrate the performance of our classifier through simulation studies in which we compare our approach to the functional linear model and other conventional classification methods.
Abstract（参考訳）: 近年、予測方法論の世界ではかなりの革新が起きている。これは、さまざまな分類競争における機械学習アプローチの相対的な支配によって明らかである。これらのアルゴリズムは多変量問題に優れてきたが、機能的データ分析の分野では休眠状態のままである。我々は、分類問題のために、注目すべき深層学習手法を機能データ領域に拡張する。本手法の有効性を,分光データの分類などの多くの分類応用において強調する。さらに,本手法を関数線形モデルや他の従来の分類法と比較するシミュレーション研究を通じて,分類器の性能を実証する。

関連論文リスト

MISS: Multiclass Interpretable Scoring Systems [13.902264070785986]
MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。 MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
論文参考訳（メタデータ） (2024-01-10T10:57:12Z)
Latent class analysis by regularized spectral clustering [0.0]
分類データの潜在クラスモデルを推定する2つの新しいアルゴリズムを提案する。本アルゴリズムは, 応答行列から計算した正規化ラプラシアン行列を用いて開発した。さらに,我々のアルゴリズムを実世界のカテゴリデータに適用し,有望な結果を得る。
論文参考訳（メタデータ） (2023-10-28T15:09:08Z)
Multiclass classification for multidimensional functional data through deep neural networks [0.22843885788439797]
革新的なデータマイニング分類ツールとして,新しい機能深層ニューラルネットワーク(mfDNN)を導入する。線形単位(ReLU)アクティベーション機能を持つ疎いディープニューラルネットワークアーキテクチャを考察し,マルチクラス分類設定におけるクロスエントロピー損失を最小化する。シミュレーションデータと異なるアプリケーションドメインのベンチマークデータセットにおけるmfDNNの性能を示す。
論文参考訳（メタデータ） (2023-05-22T16:56:01Z)
On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文参考訳（メタデータ） (2022-03-08T09:57:48Z)
Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文参考訳（メタデータ） (2021-09-28T00:53:34Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Visualization of Supervised and Self-Supervised Neural Networks via Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文参考訳（メタデータ） (2020-12-03T18:48:39Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Functorial Manifold Learning [1.14219428942199]
まず、擬似距離空間を最適化対象にマッピングする関手として多様体学習アルゴリズムを特徴付ける。次に、この特徴付けを用いて、多様体学習損失関数の洗練された境界を証明し、多様体学習アルゴリズムの階層を構築する。我々は,この階層の異なるレベルにおける函手として,計量多次元スケーリング,IsoMap,UMAPなど,いくつかの一般的な多様体学習アルゴリズムを表現している。
論文参考訳（メタデータ） (2020-11-15T02:30:23Z)
Deep Inverse Feature Learning: A Representation Learning of Error [6.5358895450258325]
本稿では,機械学習における誤りに対する新たな視点を紹介し,表現学習手法として逆特徴学習(IFL)を提案する。逆特徴学習法は、深層クラスタリング手法に基づいて、誤り表現の定性的形式を特徴として求める。実験の結果,提案手法は分類,特にクラスタリングにおいて有望な結果をもたらすことが示された。
論文参考訳（メタデータ） (2020-03-09T17:45:44Z)

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。