Fugu-MT 論文翻訳(概要): Capped norm linear discriminant analysis and its applications

論文の概要: Capped norm linear discriminant analysis and its applications

arxiv url: http://arxiv.org/abs/2011.02147v1
Date: Wed, 4 Nov 2020 06:15:10 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 21:30:09.910333
Title: Capped norm linear discriminant analysis and its applications
Title（参考訳）: キャップ付きノルム線形判別分析とその応用
Authors: Jiakou Liu, Xiong Xiong, Pei-Wei Ren, Da Zhao, Chun-Na Li, Yuan-Hai Shao
Abstract要約: 非2乗 l-norm と "capped" 演算を用いるcapped l_2,1-normを導入する。 CLDAは、極端な外れ値を取り除き、ノイズデータの影響を抑制することができる。
参考スコア（独自算出の注目度）: 6.465740112275801
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Classical linear discriminant analysis (LDA) is based on squared Frobenious norm and hence is sensitive to outliers and noise. To improve the robustness of LDA, in this paper, we introduce capped l_{2,1}-norm of a matrix, which employs non-squared l_2-norm and "capped" operation, and further propose a novel capped l_{2,1}-norm linear discriminant analysis, called CLDA. Due to the use of capped l_{2,1}-norm, CLDA can effectively remove extreme outliers and suppress the effect of noise data. In fact, CLDA can be also viewed as a weighted LDA. CLDA is solved through a series of generalized eigenvalue problems with theoretical convergency. The experimental results on an artificial data set, some UCI data sets and two image data sets demonstrate the effectiveness of CLDA.
Abstract（参考訳）: 古典線形判別分析 (lda) は正方形フロベニアスノルムに基づいており、そのため外れ値やノイズに敏感である。 LDAのロバスト性を改善するために,非二乗 l_2-ノルムと「キャップ」演算を用いた行列のキャップ付き l_{2,1}-ノルムを導入し,CLDA と呼ばれる新規なキャップ付き l_{2,1}-ノルム線形判別法を提案する。キャップ付きl_{2,1}-ノルムを用いることで、CLDAは極端な外れ値を取り除き、ノイズデータの影響を抑えることができる。実際、CLDAは重み付きLDAと見なすこともできる。 CLDAは、理論収束を伴う一連の一般化固有値問題によって解決される。人工データセットとUCIデータセットと2つの画像データセットの実験結果から,CLDAの有効性が示された。

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)
Minimally Informed Linear Discriminant Analysis: training an LDA model with unlabelled data [51.673443581397954]
本研究では,LDAモデルからの正確な射影ベクトルを,ラベルのないデータに基づいて計算可能であることを示す。 MILDA投影ベクトルはLDAに匹敵する計算コストで閉じた形で計算可能であることを示す。
論文参考訳（メタデータ） (2023-10-17T09:50:31Z)
Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
論文参考訳（メタデータ） (2023-03-02T18:24:26Z)
Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model [2.517838307493912]
本稿では、スペクトル補正および正規化LDA(SRLDA)と呼ばれる線形判別分析の改善を提案する。 SRLDAはスパイクモデル仮定の下で線形分類大域最適解を持つことが証明された。異なるデータセットに対する実験により、SRLDAアルゴリズムは、現在使われているツールよりも分類と次元の削減が優れていることが示された。
論文参考訳（メタデータ） (2022-10-08T00:47:50Z)
Revisiting Classical Multiclass Linear Discriminant Analysis with a Novel Prototype-based Interpretable Solution [0.0]
LDA++と呼ばれる古典的なLDAに新しいソリューションを導入し、1つのクラスタと類似度を測定するものとして解釈可能な$C$の機能を提供する。この新しい解法は次元還元と多クラス分類の間に橋渡しされる。
論文参考訳（メタデータ） (2022-05-02T06:12:42Z)
Weight Vector Tuning and Asymptotic Analysis of Binary Linear Classifiers [82.5915112474988]
本稿では,スカラーによる判別器の分解をパラメータ化することで,ジェネリックバイナリ線形分類器の重みベクトルチューニングを提案する。また,重みベクトルチューニングは,高推定雑音下での線形判別分析(LDA)の性能を著しく向上させることがわかった。
論文参考訳（メタデータ） (2021-10-01T17:50:46Z)
Two-dimensional Bhattacharyya bound linear discriminant analysis with its applications [8.392689203476955]
Bhattacharyya誤差境界推定(L2BLDA)によるL2-ノルム線形判別分析基準は,特徴抽出のための線形判別分析(LDA)を効果的に改善する。 L2BLDAを2次元バナチャリア境界線形判別分析(2DBLDA)に拡張する。 2DBLDAの構成により、ロバスト性を持ちながら小さなサンプルサイズ問題を回避することができ、単純な標準固有値分解問題によって解決できる。
論文参考訳（メタデータ） (2020-11-11T01:56:42Z)
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)
A Doubly Regularized Linear Discriminant Analysis Classifier with Automatic Parameter Selection [24.027886914804775]
線形判別分析(LDA)に基づく分類器は、訓練データのサイズが特徴数よりも小さい、あるいは同等であるような多くの実践的な設定で混乱する傾向にある。 R2LDAと表す2つの正規化LDA分類器を提案する。合成データと実データの両方から得られた結果は,提案したR2LDA手法の一貫性と有効性を示す。
論文参考訳（メタデータ） (2020-04-28T07:09:22Z)
Improving Covariance-Regularized Discriminant Analysis for EHR-based Predictive Analytics of Diseases [20.697847129363463]
任意の分布を持つデータを分類するためのLDAの精度を理解する解析モデルについて検討する。また、HDLSSデータのために開発された最先端のLDA手法より優れた新しいLDA分類器De-Sparseを提案する。
論文参考訳（メタデータ） (2016-10-18T06:11:23Z)

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。