Fugu-MT 論文翻訳(概要): Linear Dilation-Erosion Perceptron for Binary Classification

論文の概要: Linear Dilation-Erosion Perceptron for Binary Classification

arxiv url: http://arxiv.org/abs/2011.05989v1
Date: Wed, 11 Nov 2020 18:35:38 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 00:34:35.091133
Title: Linear Dilation-Erosion Perceptron for Binary Classification
Title（参考訳）: 二元分類のための線形拡張エロージョンパーセプトロン
Authors: Angelica Louren\c{c}o Oliveira and Marcos Eduardo Valle
Abstract要約: 本稿では,2進分類タスクに対する縮小拡張・侵食パーセプトロン (r-DEP) モデルについて簡単に検討する。次に, 線形ディラセレーションパーセプトロン (l-DEP) という, 応用ヒンジロス演算子の前に線形変換を適用する。
参考スコア（独自算出の注目度）: 1.3706331473063877
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we briefly revise the reduced dilation-erosion perceptron (r-DEP) models for binary classification tasks. Then, we present the so-called linear dilation-erosion perceptron (l-DEP), in which a linear transformation is applied before the application of the morphological operators. Furthermore, we propose to train the l-DEP classifier by minimizing a regularized hinge-loss function subject to concave-convex restrictions. A simple example is given for illustrative purposes.
Abstract（参考訳）: 本研究は,二分法分類タスクにおける拡張エロージョンパーセプトロン(r-dep)モデルを簡潔に修正する。次に、いわゆる線形拡張エロージョンパーセプトロン(l-dep)について述べる。さらに,凹凸制約を受ける正規化ヒンジロス関数を最小化し,l-dep分類器の訓練を行う。簡単な例が説明目的に挙げられる。

関連論文リスト

Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文参考訳（メタデータ） (2023-10-20T12:45:12Z)
OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
論文参考訳（メタデータ） (2023-01-31T21:20:48Z)
GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
論文参考訳（メタデータ） (2023-01-30T06:27:48Z)
Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文参考訳（メタデータ） (2023-01-19T18:39:48Z)
A Unified Analysis of Multi-task Functional Linear Regression Models with Manifold Constraint and Composite Quadratic Penalty [0.0]
マルチタスク学習のパワーは、傾斜関数に付加的な構造を課すことによってもたらされる。合成ペナルティは、多様体曲率の定量化に役立つ特定のノルムを誘導することを示す。縮小ランクモデルとグラフラプラシア正規化モデルに統一収束上限を求め、特に適用する。
論文参考訳（メタデータ） (2022-11-09T13:32:23Z)
Log-linear Guardedness and its Implications [116.87322784046926]
線形性を仮定する神経表現から人間の解釈可能な概念を消去する方法は、抽出可能で有用であることが判明した。この研究は、対数線ガードネスの概念を、敵が表現から直接その概念を予測することができないものとして正式に定義している。バイナリの場合、ある仮定の下では、下流の対数線形モデルでは消去された概念を復元できないことを示す。
論文参考訳（メタデータ） (2022-10-18T17:30:02Z)
Incremental Learning in Diagonal Linear Networks [0.0]
対角線ネットワーク(英: Diagonal linear network、DLN)は、人工ニューラルネットワークを単純化した玩具である。これらは、疎暗正則化を誘導する線形回帰の二次的再パラメータ化から構成される。この研究は、技術的理由から、反相関的な特徴を持つ過度にパラメトリケートされた体制に限られている。
論文参考訳（メタデータ） (2022-08-31T08:00:04Z)
Linear Dilation-Erosion Perceptron Trained Using a Convex-Concave Procedure [1.3706331473063877]
本稿では, 線形変換を適用したテキストリニア・ディレーション・エロージョン・パーセプトロン(ell$-DEP)について述べる。いくつかの分類問題を用いて,$ell$-DEPモデルと他の機械学習手法との比較を行った。
論文参考訳（メタデータ） (2020-11-11T18:37:07Z)
A Unifying View on Implicit Bias in Training Linear Neural Networks [31.65006970108761]
線形ニューラルネットワークトレーニングにおける勾配流(無限小ステップサイズの勾配勾配勾配勾配)の暗黙バイアスについて検討する。本稿では, ニューラルネットワークのテンソルの定式化について検討し, 完全連結型, 対角型, 畳み込み型ネットワークを特殊な場合として提案する。
論文参考訳（メタデータ） (2020-10-06T06:08:35Z)
Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文参考訳（メタデータ） (2020-08-19T12:35:55Z)
Reduced Dilation-Erosion Perceptron for Binary Classification [1.3706331473063877]
ディレーション・エロージョン・パーセプトロン(Dilation-erosion Perceptron, DEP)は、ディレーションとエロージョンの凸結合によって得られるニューラルネットワークである。本稿では,r-DEP(reduce Dilation-erosion)分類器を提案する。
論文参考訳（メタデータ） (2020-03-04T19:50:35Z)

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。