Fugu-MT 論文翻訳(概要): A fast learning algorithm for One-Class Slab Support Vector Machines

論文の概要: A fast learning algorithm for One-Class Slab Support Vector Machines

arxiv url: http://arxiv.org/abs/2011.03243v2
Date: Mon, 3 May 2021 15:08:31 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 04:22:21.411572
Title: A fast learning algorithm for One-Class Slab Support Vector Machines
Title（参考訳）: 一級スラブ支持ベクターマシンのための高速学習アルゴリズム
Authors: Bagesh Kumar, Ayush Sinha, Sourin Chakrabarti, Prof. O.P.Vyas
Abstract要約: 本稿では,SMO (Sequential Minimal Optimization) を用いた一級スラブSVMの高速トレーニング手法を提案する。その結果、このトレーニング手法は、他の準計画法(QP)の解法よりも、大規模なトレーニングデータに対してより優れたスケールが可能であることが示唆された。
参考スコア（独自算出の注目度）: 1.1613446814180841
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: One Class Slab Support Vector Machines (OCSSVM) have turned out to be better in terms of accuracy in certain classes of classification problems than the traditional SVMs and One Class SVMs or even other One class classifiers. This paper proposes fast training method for One Class Slab SVMs using an updated Sequential Minimal Optimization (SMO) which divides the multi variable optimization problem to smaller sub problems of size two that can then be solved analytically. The results indicate that this training method scales better to large sets of training data than other Quadratic Programming (QP) solvers.
Abstract（参考訳）: One Class Slab Support Vector Machines (OCSSVM)は、従来のSVMやOne Class SVM、さらには他のOne Class Class Class Classifierよりも、特定の分類問題のクラスにおいて精度が良いことが判明した。本稿では,複数変数の最適化問題を,サイズ2の小さな部分問題に分割し,解析的に解くことが可能な,逐次最小最適化(smo)による一クラスslab svmの高速学習法を提案する。その結果、この学習方法は、他の二次プログラミング (qp) ソルバよりも大きなトレーニングデータセットにスケールする可能性が示唆された。

関連論文リスト

Smooth Ranking SVM via Cutting-Plane Method [6.946903076677842]
我々は,AUCを最大化するために,Randing SVMと類似した切削平面法に依存するプロトタイプ学習手法を開発した。本アルゴリズムは,切削面を反復的に導入することで,より単純なモデルを学ぶ。 73のバイナリ分類データセットを用いて行った実験から,本手法は競合する25のデータセットの中で最高のAUCが得られる。
論文参考訳（メタデータ） (2024-01-25T18:47:23Z)
Multi-class Support Vector Machine with Maximizing Minimum Margin [67.51047882637688]
Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。実験により,提案手法の有効性と優位性を示す。
論文参考訳（メタデータ） (2023-12-11T18:09:55Z)
Efficient Training of One Class Classification-SVMs [0.0]
そこで本研究では,一級分類の実施に高効率なトレーニング手法を用いることを検討した。本稿では,デュアルソフトマージンワンクラスSVM学習のための効果的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-28T15:35:16Z)
Majorization-Minimization for sparse SVMs [46.99165837639182]
サポートベクタマシン(SVM)は、数十年前に教師付きフレームワークの下でバイナリ分類タスクを実行するために導入された。それらはしばしば他の教師付き手法よりも優れており、マシンラーニング分野において最も一般的なアプローチの1つである。本研究では,スムーズなスパースプロモーティング型正方形ヒンジ損失最小化によるSVMのトレーニングについて検討する。
論文参考訳（メタデータ） (2023-08-31T17:03:16Z)
Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
論文参考訳（メタデータ） (2022-07-26T04:38:47Z)
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)
High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文参考訳（メタデータ） (2022-02-25T16:35:26Z)
Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文参考訳（メタデータ） (2021-04-01T13:55:21Z)
Unsupervised Real Time Prediction of Faults Using the Support Vector Machine [1.1852751647387592]
提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
論文参考訳（メタデータ） (2020-12-30T04:27:10Z)
Equipment Failure Analysis for Oil and Gas Industry with an Ensemble Predictive Model [0.0]
提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
論文参考訳（メタデータ） (2020-12-30T04:14:15Z)
AML-SVM: Adaptive Multilevel Learning with Support Vector Machines [0.0]
本稿では非線形SVMのための適応型多段階学習フレームワークを提案する。改良プロセス全体の分類品質を改善し、マルチスレッド並列処理を活用して性能を向上する。
論文参考訳（メタデータ） (2020-11-05T00:17:02Z)

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。