論文の概要: Riemannian-based Discriminant Analysis for Feature Extraction and
Classification
- arxiv url: http://arxiv.org/abs/2101.08032v2
- Date: Tue, 26 Jan 2021 07:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 07:27:13.456872
- Title: Riemannian-based Discriminant Analysis for Feature Extraction and
Classification
- Title(参考訳): 特徴抽出と分類のためのリーマン型判別分析
- Authors: Wanguang Yin, Zhengming Ma, Quanying Liu
- Abstract要約: 識別分析は、高次元データから低次元特徴を抽出する機械学習において広く用いられている手法である。
従来のeuclidean-based algorithms for discriminant analysisは、スプリアス局所ミニマに容易に収束する。
RDA(Riemannian-based Discriminant Analysis)と呼ばれる新しい手法を提案し、従来のユークリッド法をリーマン多様体空間へ変換する。
- 参考スコア(独自算出の注目度): 2.1485350418225244
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Discriminant analysis, as a widely used approach in machine learning to
extract low-dimensional features from the high-dimensional data, applies the
Fisher discriminant criterion to find the orthogonal discriminant projection
subspace. But most of the Euclidean-based algorithms for discriminant analysis
are easily convergent to a spurious local minima and hardly obtain an unique
solution. To address such problem, in this study we propose a novel method
named Riemannian-based Discriminant Analysis (RDA), which transforms the
traditional Euclidean-based methods to the Riemannian manifold space. In RDA,
the second-order geometry of trust-region methods is utilized to learn the
discriminant bases. To validate the efficiency and effectiveness of RDA, we
conduct a variety of experiments on image classification tasks. The numerical
results suggest that RDA can extract statistically significant features and
robustly outperform state-of-the-art algorithms in classification tasks.
- Abstract(参考訳): 判別分析は、高次元データから低次元特徴を抽出する機械学習において広く用いられる手法として、フィッシャー判別基準を適用して直交的判別射影部分空間を求める。
しかし、判別分析のためのユークリッドに基づくアルゴリズムのほとんどは、急激な局所ミニマに容易に収束し、ユニークな解を得ることができない。
そこで本研究では,従来のユークリッド型手法をリーマン多様体空間に変換する,リーマン型判別解析(rda)という新しい手法を提案する。
RDAでは、信頼領域法の第2次幾何学を用いて識別基準を学習する。
RDAの効率性と有効性を検証するため,画像分類タスクについて様々な実験を行った。
その結果、RDAは統計的に重要な特徴を抽出し、分類タスクにおける最先端のアルゴリズムより頑健に優れていることが示唆された。
- 全文 参考訳へのリンク
関連論文リスト
- Reusing the Task-specific Classifier as a Discriminator:
Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。
DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。
DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
論文 参考訳(メタデータ) (2022-04-08T04:40:18Z) - Varying Coefficient Linear Discriminant Analysis for Dynamic Data [5.228711636020666]
本稿では,動的データに対する変動係数LDAモデルについて検討する。
ベイズ方向と平行な新たな識別方向関数を導出することにより,最小二乗推定法を提案する。
高次元の場合、対応するデータ駆動判別法則は、既存の動的線形プログラミング法則よりも計算的に効率的である。
論文 参考訳(メタデータ) (2022-03-12T07:32:19Z) - On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。
分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2022-02-28T13:01:04Z) - Distributed Sparse Multicategory Discriminant Analysis [1.7223564681760166]
本稿では,スパースマルチカテゴリ線形判別分析のための凸定式化を提案し,複数のサイトにわたってデータが格納されている場合,それを分散環境に拡張する。
理論的には、分散スパース多重カテゴリー線形判別分析が、数ラウンドの通信の後、集中バージョンと同等に機能することを保証する統計特性を確立する。
論文 参考訳(メタデータ) (2022-02-22T14:23:33Z) - Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient
Methods [73.35353358543507]
SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。
本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。
本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
論文 参考訳(メタデータ) (2022-02-15T09:17:39Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳(メタデータ) (2022-02-11T13:51:30Z) - Discriminant Analysis in Contrasting Dimensions for Polycystic Ovary
Syndrome Prognostication [3.1871776847712523]
PCOSとしても知られる多嚢胞性卵巣症候群は二項分類の問題である。
本稿では,2進分類のための線形形式と四進形式の異なる次元の判別分析とメトリクスについて述べる。
判別分析では精度が良く, ばらつきも少なかった。
論文 参考訳(メタデータ) (2022-01-09T14:55:17Z) - Hierarchical Subspace Learning for Dimensionality Reduction to Improve
Classification Accuracy in Large Data Sets [0.0]
大規模データセットの分類を3%から10%の範囲で改善することを目的として,階層的手法による部分空間学習手法のスケールアップが提案されている。
提案手法は,異なる固有値に基づく部分空間学習法を用いて,公開可能な5つの大規模データセットに対して評価する。
その結果,分類精度は階層的アプローチの有効性を示し,分類精度が平均5%向上したことを報告した。
論文 参考訳(メタデータ) (2021-05-25T15:15:12Z) - Regularized Deep Linear Discriminant Analysis [26.08062442399418]
古典的な線形判別解析(LDA)の非線形拡張として、Deep Linear Discriminant Analysis(DLDA)は元のCategorical Cross Entropy(CCE)損失関数を置き換える。
各次元の識別能力を高めるために, クラス内散乱行列の正則化法を提案する。
論文 参考訳(メタデータ) (2021-05-15T03:54:32Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳(メタデータ) (2021-03-10T16:45:22Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳(メタデータ) (2020-12-08T08:52:00Z)
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。