論文の概要: Signal classification using weighted orthogonal regression method
- arxiv url: http://arxiv.org/abs/2010.05979v1
- Date: Mon, 12 Oct 2020 19:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:30:51.679236
- Title: Signal classification using weighted orthogonal regression method
- Title（参考訳）: 重み付き直交回帰法による信号分類
- Authors: Sahar Tavakoli
- Abstract要約: 本稿では,各クラス固有の構造を,対応する固有成分を介して活用する新しい分類法を提案する。
提案手法は,各サブ空間の基底を選択するために,各クラスから取得したデータのSVDによる固有ベクトルを含む。
それは、意思決定基準が2つのクラスを識別する効果的な重み付けであると考えている。
- 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 this paper, a new classifier based on the intrinsic properties of the data
is proposed. Classification is an essential task in data mining-based
applications. The classification problem will be challenging when the size of
the training set is not sufficient to compare to the dimension of the problem.
This paper proposes a new classification method that exploits the intrinsic
structure of each class through the corresponding Eigen components. Each
component contributes to the learned span of each class by specific weight. The
weight is determined by the associated eigenvalue. This approach results in
reliable learning robust in the case of facing a classification problem with
limited training data. The proposed method involves the obtained Eigenvectors
by SVD of data from each class to select the bases for each subspace. Moreover,
it considers an efficient weighting for the decision-making criterion to
discriminate two classes. In addition to high performance on artificial data,
this method has increased the best result of international competition.
- Abstract（参考訳）: 本稿では,データの固有特性に基づく新しい分類器を提案する。
分類はデータマイニングベースのアプリケーションにおいて不可欠なタスクである。
分類問題は、トレーニングセットのサイズが問題の次元と比較するのに十分でない場合に問題となる。
本稿では,対応する固有成分を通じて各クラス固有の構造を利用する新しい分類手法を提案する。
各コンポーネントは、各クラスの学習期間に特定の重みで寄与する。
重みは関連する固有値によって決定される。
このアプローチは、限られたトレーニングデータで分類問題に直面する場合の信頼性の高い学習を可能にする。
提案手法では,各クラスから取得したデータのSVDを用いて,各サブ空間の基底を選択する。
さらに、2つのクラスを識別する意思決定基準を効果的に重み付けする。
人工データの性能向上に加えて、この手法は国際競争の最良の結果をもたらしている。
関連論文リスト
- A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。
本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
論文 参考訳（メタデータ） (2024-07-03T08:54:45Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。
本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
論文 参考訳（メタデータ） (2022-07-15T12:13:04Z) - Ensemble Classifier Design Tuned to Dataset Characteristics for Network
Intrusion Detection [0.0]
データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。
提案手法は二進分類と多進分類の両方で評価される。
論文 参考訳（メタデータ） (2022-05-08T21:06:42Z) - Determination of class-specific variables in nonparametric
multiple-class classification [0.0]
確率に基づく非パラメトリックな多重クラス分類法を提案し、それを個々のクラスに対して高い影響変数を識別する能力と統合する。
提案手法の特性を報告し, 合成データと実データの両方を用いて, 異なる分類条件下での特性を説明する。
論文 参考訳（メタデータ） (2022-05-07T10:08:58Z) - Active Weighted Aging Ensemble for Drifted Data Stream Classification [2.277447144331876]
概念ドリフトは分類モデルの性能を不安定化し、その品質を著しく低下させる。
提案手法は実データストリームと実データストリームの両方を用いて計算機実験により評価されている。
その結果,提案アルゴリズムは最先端手法よりも高品質であることが確認された。
論文 参考訳（メタデータ） (2021-12-19T13:52:53Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳（メタデータ） (2021-12-15T18:56:39Z) - Hybrid Ensemble optimized algorithm based on Genetic Programming for
imbalanced data classification [0.0]
本稿では,2種類の不均衡データ分類のための遺伝的プログラミング(GP)に基づくハイブリッドアンサンブルアルゴリズムを提案する。
実験結果から,提案手法をトレーニングセットのサイズで指定したデータセット上での性能は,マイノリティクラス予測の他の次元よりも40%,50%高い精度を示した。
論文 参考訳（メタデータ） (2021-06-02T14:14:38Z) - 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) - 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) - Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。
ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
論文 参考訳（メタデータ） (2020-10-28T14:37:25Z)
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。