Fugu-MT 論文翻訳(概要): Calibrated Simplex Mapping Classification

論文の概要: Calibrated Simplex Mapping Classification

arxiv url: http://arxiv.org/abs/2103.02926v1
Date: Thu, 4 Mar 2021 10:18:22 GMT
ステータス: 処理完了
システム内更新日: 2021-03-05 15:06:32.527990
Title: Calibrated Simplex Mapping Classification
Title（参考訳）: Calibrated Simplex Mapping Classification
Authors: Raoul Heese, Micha{\l} Walczak, Michael Bortz, Jochen Schmid
Abstract要約: 本研究では,学習データを直線的に分離可能な潜在空間に写像する多重クラス/単一ラベル分類器を提案する。そのソリューションでは、特徴空間における適切な距離メトリックと、潜在的な空間座標を予測する回帰モデルを選択できます。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel supervised multi-class/single-label classifier that maps training data onto a linearly separable latent space with a simplex-like geometry. This approach allows us to transform the classification problem into a well-defined regression problem. For its solution we can choose suitable distance metrics in feature space and regression models predicting latent space coordinates. A benchmark on various artificial and real-world data sets is used to demonstrate the calibration qualities and prediction performance of our classifier.
Abstract（参考訳）: 本研究では,学習データを直線的に分離可能な潜在空間に写像する多重クラス/単一ラベル分類器を提案する。このアプローチにより、分類問題をよく定義された回帰問題に変換することができる。そのソリューションでは、特徴空間における適切な距離メトリックと、潜在的な空間座標を予測する回帰モデルを選択できます。様々な人工および実世界のデータセットのベンチマークを用いて,分類器のキャリブレーション品質と予測性能を示す。

関連論文リスト

Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。提案手法の有効性を4つの標準ベンチマークで示す。
論文参考訳（メタデータ） (2024-07-10T16:51:32Z)
Gradient Boosting Mapping for Dimensionality Reduction and Feature Extraction [2.778647101651566]
教師あり学習における根本的な問題は、優れた特徴や距離尺度を見つけることである。本稿では,弱い学習者の出力が埋め込みを定義する,教師付き次元削減手法を提案する。組込み座標は教師付き学習タスクにより良い機能を提供することを示す。
論文参考訳（メタデータ） (2024-05-14T10:23:57Z)
Linear Distance Metric Learning with Noisy Labels [7.326930455001404]
たとえデータがノイズであっても、基底真理線型計量は任意の精度で学習可能であることを示す。損失関数やパラメータの精度を確実に維持できる低ランクモデルに学習モデルを切り換える効果的な方法を提案する。
論文参考訳（メタデータ） (2023-06-05T18:29:00Z)
Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
論文参考訳（メタデータ） (2022-05-24T23:43:02Z)
Neural Jacobian Fields: Learning Intrinsic Mappings of Arbitrary Meshes [38.157373733083894]
本稿では,ニューラルネットワークによる任意のメッシュの断片的線形マッピングを正確に予測するフレームワークを提案する。このフレームワークは、グローバルな形状記述子に条件付けされた単一点の行列の予測に神経的な側面を還元することに基づいている。個々のメッシュの固有の勾配領域で操作することで、フレームワークは高度に正確なマッピングを予測できる。
論文参考訳（メタデータ） (2022-05-05T19:51:13Z)
Smoothed Embeddings for Certified Few-Shot Learning [63.68667303948808]
我々はランダムな平滑化を数ショットの学習モデルに拡張し、入力を正規化された埋め込みにマッピングする。この結果は、異なるデータセットの実験によって確認される。
論文参考訳（メタデータ） (2022-02-02T18:19:04Z)
Piecewise linear regression and classification [0.20305676256390928]
本稿では,線形予測器を用いた多変量回帰と分類問題の解法を提案する。本論文で記述されたアルゴリズムのpython実装は、http://cse.lab.imtlucca.it/bemporad/parcで利用可能である。
論文参考訳（メタデータ） (2021-03-10T17:07:57Z)
Adaptive Graph-based Generalized Regression Model for Unsupervised Feature Selection [11.214334712819396]
非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。それは同時に同じ近所に属するこれらのデータポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
論文参考訳（メタデータ） (2020-12-27T09:07:26Z)
Model identification and local linear convergence of coordinate descent [74.87531444344381]
循環座標降下は、幅広い種類の関数に対して有限時間でモデル同定を達成することを示す。また、座標降下に対する局所収束速度を明示的に証明する。
論文参考訳（メタデータ） (2020-10-22T16:03:19Z)
Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文参考訳（メタデータ） (2020-07-20T12:07:48Z)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。