Fugu-MT 論文翻訳(概要): FROCC: Fast Random projection-based One-Class Classification

論文の概要: FROCC: Fast Random projection-based One-Class Classification

arxiv url: http://arxiv.org/abs/2011.14317v2
Date: Sat, 23 Jan 2021 11:10:57 GMT
ステータス: 処理完了
システム内更新日: 2021-06-07 12:49:15.927145
Title: FROCC: Fast Random projection-based One-Class Classification
Title（参考訳）: FROCC:高速ランダムプロジェクションに基づくワンクラス分類
Authors: Arindam Bhattacharya and Sumanth Varambally and Amitabha Bagchi and Srikanta Bedathur
Abstract要約: 高速ランダムプロジェクションに基づく一クラス分類(FROCC)は一クラス分類の効率的な方法である。 FROCCは最大3.1%向上し、トレーニング時間とテスト時間では1.2-67.8倍のスピードアップを達成した。
参考スコア（独自算出の注目度）: 4.312746668772342
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Fast Random projection-based One-Class Classification (FROCC), an extremely efficient method for one-class classification. Our method is based on a simple idea of transforming the training data by projecting it onto a set of random unit vectors that are chosen uniformly and independently from the unit sphere, and bounding the regions based on separation of the data. FROCC can be naturally extended with kernels. We theoretically prove that FROCC generalizes well in the sense that it is stable and has low bias. FROCC achieves up to 3.1 percent points better ROC, with 1.2--67.8x speedup in training and test times over a range of state-of-the-art benchmarks including the SVM and the deep learning based models for the OCC task.
Abstract（参考訳）: 高速ランダム投影型一級分類(frocc)は,一級分類の非常に効率的な手法である。本手法は, 単球から一様かつ独立に選択されたランダムな単位ベクトルの集合に投影し, データの分離に基づいて領域を束縛することで, トレーニングデータを変換するという単純なアイデアに基づいている。 FROCCはカーネルで自然に拡張できる。理論的には、FROCCは安定でありバイアスが低いという意味でうまく一般化する。 FROCCは、SVMやOCCタスクのディープラーニングベースモデルを含む最先端ベンチマークのトレーニングとテスト時間の1.2-67.8倍のスピードアップで、最大3.1%のROCを実現している。

関連論文リスト

Time series classification with random convolution kernels based transforms: pooling operators and input representations matter [0.0]
本稿では,SelF-Rocketと呼ばれるMiniRocketに基づく,高速時系列分類(TSC)のための新しいアプローチを提案する。トレーニングプロセス中に最適な入力表現とプーリング演算子を動的に選択する。カリフォルニア大学リバーサイド校(UCR)のベンチマークデータセットで最先端の精度を実現している。
論文参考訳（メタデータ） (2024-09-02T09:42:17Z)
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)
GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文参考訳（メタデータ） (2024-04-14T01:51:11Z)
GRSDet: Learning to Generate Local Reverse Samples for Few-shot Object Detection [15.998148904793426]
Few-shot Object Detection (FSOD) は、いくつかの新しいクラストレーニングデータを用いてのみオブジェクト検出を実現することを目的としている。既存の手法の多くは、新しいクラス分布を構築するために移行学習戦略を採用するのが一般的である。本稿では,新しいクラス分布の中心位置と境界範囲を適応的に調整するために,プロトタイプ参照フレームに局所逆サンプル(LRSamples)を生成することを提案する。
論文参考訳（メタデータ） (2023-12-27T13:36:29Z)
Morphological Classification of Radio Galaxies using Semi-Supervised Group Equivariant CNNs [0.0]
推定数兆個の銀河のうち、約100万個のみが電波で検出されている。本稿では,Farioff-Riley Type I (FRI)とFRII Type II (FRII)に分類するために,半教師付き学習手法を用いる。 The Group Equivariant Convolutional Neural Network (G-CNN) was used as an encoder of the state-of-the-the-art self-supervised method SimCLR and BYOL。
論文参考訳（メタデータ） (2023-05-31T06:50:32Z)
A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文参考訳（メタデータ） (2022-09-22T09:04:10Z)
Robust Representation via Dynamic Feature Aggregation [44.927408735490005]
ディープ畳み込みニューラルネットワーク(CNN)ベースのモデルは、敵の攻撃に対して脆弱である。本稿では,新しい正規化により埋め込み空間を圧縮する動的特徴集約法を提案する。 CIFAR-10における攻撃法の平均精度は56.91%である。
論文参考訳（メタデータ） (2022-05-16T06:22:15Z)
Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文参考訳（メタデータ） (2022-04-13T12:43:12Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
論文参考訳（メタデータ） (2020-07-20T05:57:42Z)
Fuzziness-based Spatial-Spectral Class Discriminant Information Preserving Active Learning for Hyperspectral Image Classification [0.456877715768796]
本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
論文参考訳（メタデータ） (2020-05-28T18:58:11Z)

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。