論文の概要: An ensemble of Density based Geometric One-Class Classifier and Genetic Algorithm

• arxiv url: http://arxiv.org/abs/2011.06388v2
• Date: Thu, 25 Feb 2021 07:29:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 00:32:25.453857
• Title: An ensemble of Density based Geometric One-Class Classifier and Genetic Algorithm
• Title（参考訳）: 密度に基づく幾何学的一クラス分類器と遺伝的アルゴリズムのアンサンブル
• Authors: Do Gyun Kim, Jin Young Choi
• Abstract要約: 1つのクラス分類は、1つのクラスと外れ値のみからなるデータセットを考える。 より精巧な間隔生成法を用いた密度(1-HRD_d)に基づく1クラスハイパー矩形記述子 1-HRD_dを系統的に生成するための染色体構造と遺伝的演算子からなる遺伝的アルゴリズム(GA)。
• 参考スコア（独自算出の注目度）: 10.67799545071671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the most rising issues in recent machine learning research is One-Class Classification which considers data set composed of only one class and outliers. It is more reasonable than traditional Multi-Class Classification in dealing with some problematic data set or special cases. Generally, classification accuracy and interpretability for user are considered as trade-off in OCC methods. Classifier based on Hyper-Rectangle (H-RTGL) is a sort of classifier that can be a remedy for such trade-off and uses H-RTGL formulated by conjunction of geometric rules called interval. This interval can be basis of interpretability since it can be easily understood by user. However, existing H-RTGL based OCC classifiers have limitations that (i) most of them cannot reflect density of target class and (ii) that considering density has primitive interval generation method, and (iii) there exists no systematic procedure for hyperparameter of H-RTGL based OCC classifier, which influences classification performance of classifier. Based on these remarks, we suggest One-Class Hyper-Rectangle Descriptor based on density (1-HRD_d) with more elaborate interval generation method including parametric and nonparametric approaches. In addition, we designed Genetic Algorithm (GA) that consists of chromosome structure and genetic operators for systematic generation of 1-HRD_d by optimization of hyperparameter. Our work is validated through a numerical experiment using actual data set with comparison of existing OCC algorithms along with other H-RTGL based classifiers.
• Abstract（参考訳）: 最近の機械学習研究で最も大きな問題の1つは、1つのクラスと外れ値のみからなるデータセットを考えるワンクラス分類である。 問題のあるデータセットや特殊なケースを扱う場合、従来のマルチクラス分類よりも合理的である。 一般に, OCC法では, ユーザの分類精度と解釈性はトレードオフと見なされる。 Hyper-Rectangle (H-RTGL) に基づく分類器は、そのようなトレードオフに対する救済であり、インターバルと呼ばれる幾何学的規則の組合せによって定式化されたH-RTGLを使用する分類器の一種である。 この間隔は、ユーザが容易に理解できるため、解釈可能性の基盤になる。 しかし、既存のH-RTGLベースのOCC分類器には制限がある。 (i)ターゲットクラスの密度を反映できないものが多く、 (ii)密度を考えると原始区間生成法があること、 3) 分類器の分類性能に影響を与えるH-RTGLを用いたOCC分類器のハイパーパラメータの体系的手順は存在しない。 これらの考察に基づき、パラメトリックおよび非パラメトリックアプローチを含むより精巧な区間生成法を持つ密度(1-hrd_d)に基づく1クラスハイパーリクタングルディスクリプタを提案する。 さらに,ハイパーパラメータの最適化による1-HRD_dの系統的生成のための染色体構造と遺伝的演算子からなる遺伝的アルゴリズム(GA)を設計した。 本研究は,既存のOCCアルゴリズムと他のH-RTGLに基づく分類器との比較を行い,実データを用いた数値実験により検証した。

関連論文リスト

• Interpretable label-free self-guided subspace clustering [0.0]
  多数部分空間クラスタリング(SC)アルゴリズムは1つ以上のハイパーパラメータに依存しており、高いクラスタリング性能を達成するためにはSCアルゴリズムを慎重に調整する必要がある。 我々は,精度 (ACC) や正規化相互情報 (NMI) などのクラスタリング品質指標を用いたラベル非依存HPOの新しい手法を提案する。 本手法は,複数のシングルビューおよびマルチビューSCアルゴリズムを用いて,達成された性能を,桁,顔,オブジェクトを表す6つのデータセットで比較する。
  論文  参考訳（メタデータ） (2024-11-26T10:29:09Z)
• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
  NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。 本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。 ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T05:59:52Z)
• Hyperspectral Image Analysis with Subspace Learning-based One-Class Classification [18.786429304405097]
  ハイパースペクトル画像(HSI)分類は、環境モニタリング、医療画像、土地利用/土地被覆(LULC)分類など、多くの応用において重要な課題である。 本研究では,最近提案した1クラス分類(OCC)における部分空間学習手法について検討する。 このようにして、提案する分類フレームワークでは、個別の次元削減や特徴選択の手順は不要である。 LULC分類問題とリッチスペクトル情報(高次元)の不均衡ラベルを考えると,提案手法はHSIデータに適している。
  論文  参考訳（メタデータ） (2023-04-19T15:17:05Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Minimum Variance Embedded Auto-associative Kernel Extreme Learning Machine for One-class Classification [1.4146420810689422]
  VAAKELMは、自己連想型カーネル極端学習マシンの拡張である。 アーキテクチャ内に最小分散情報を埋め込んで、クラス内の分散を減らす。 これは、一級分類に対する再構成に基づくアプローチに従い、再構成エラーを最小限にする。
  論文  参考訳（メタデータ） (2020-11-24T17:00:30Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• 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)
• A Centroid Auto-Fused Hierarchical Fuzzy c-Means Clustering [30.709797128259236]
  CAF-HFCM(Centroid Auto-Fused Hierarchical Fuzzy c-means Method) 本稿では,Centroid Auto-Fused Hierarchical Fuzzy c-means法(CAF-HFCM)を提案する。 CAF-HFCM法はFCMの様々な変種に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-04-27T12:59:22Z)
• Supervised Enhanced Soft Subspace Clustering (SESSC) for TSK Fuzzy Classifiers [25.32478253796209]
  ファジィc平均クラスタリングアルゴリズムは,高木・スゲノカン(TSK)ファジィ分類器パラメータ推定によく用いられる。 本稿では,クラスタ内コンパクト性,クラスタ間分離,クラスタリングにおけるラベル情報とを同時に考慮した拡張ソフトサブスペースクラスタリング(SESSC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:39:19Z)

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。