論文の概要: Class Equilibrium using Coulomb's Law
- arxiv url: http://arxiv.org/abs/2104.12287v1
- Date: Sun, 25 Apr 2021 23:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:35:51.914700
- Title: Class Equilibrium using Coulomb's Law
- Title(参考訳): クーロン法則を用いたクラス平衡
- Authors: Saheb Chhabra, Puspita Majumdar, Mayank Vatsa, Richa Singh
- Abstract要約: 本稿では,クラス間の分離が最適である任意のデータ分布の平衡空間を計算する新しいアルゴリズムを提案する。
提案アルゴリズムは低解像度画像に対して良好に動作する。
- 参考スコア(独自算出の注目度): 90.8945770656554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Projection algorithms learn a transformation function to project the data
from input space to the feature space, with the objective of increasing the
inter-class distance. However, increasing the inter-class distance can affect
the intra-class distance. Maintaining an optimal inter-class separation among
the classes without affecting the intra-class distance of the data distribution
is a challenging task. In this paper, inspired by the Coulomb's law of
Electrostatics, we propose a new algorithm to compute the equilibrium space of
any data distribution where the separation among the classes is optimal. The
algorithm further learns the transformation between the input space and
equilibrium space to perform classification in the equilibrium space. The
performance of the proposed algorithm is evaluated on four publicly available
datasets at three different resolutions. It is observed that the proposed
algorithm performs well for low-resolution images.
- Abstract(参考訳): 投影アルゴリズムは、クラス間距離を増加させるために、入力空間から特徴空間へデータを投影するために変換関数を学習する。
しかし,クラス間距離の増加はクラス間距離に影響を与える可能性がある。
データ分散のクラス間距離に影響を与えることなく、クラス間の最適なクラス間分離を維持することは難しい課題である。
本稿では、クーロンの静電気の法則に着想を得て、クラス間の分離が最適である任意のデータ分布の平衡空間を計算する新しいアルゴリズムを提案する。
このアルゴリズムはさらに、入力空間と平衡空間の間の変換を学習し、平衡空間の分類を行う。
提案アルゴリズムの性能を3つの異なる解像度で4つの公開データセットで評価する。
提案アルゴリズムは低解像度画像に対して良好に動作する。
関連論文リスト
- Gauge-optimal approximate learning for small data classification
problems [0.0]
小さなデータ学習問題は、応答変数の観測量が限られたことと大きな特徴空間次元との相違によって特徴づけられる。
本稿では,Gauge-Optimal Approximate Learning (GOAL)アルゴリズムを提案する。
GOALは、合成データと、気候科学やバイオインフォマティクスといった現実世界の応用に挑戦する、最先端の機械学習(ML)ツールと比較されている。
論文 参考訳(メタデータ) (2023-10-29T16:46:05Z) - Neural Collapse Terminus: A Unified Solution for Class Incremental
Learning and Its Variants [166.916517335816]
本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。
ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。
本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
論文 参考訳(メタデータ) (2023-08-03T13:09:59Z) - Fast Computation of Optimal Transport via Entropy-Regularized
Extragradient Methods [98.85583323658366]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳(メタデータ) (2023-01-30T15:46:39Z) - Learning Deep Optimal Embeddings with Sinkhorn Divergences [33.496926214655666]
Deep Metric Learningアルゴリズムは、入力データ間の類似性関係を維持するために、効率的な埋め込み空間を学習することを目的としている。
これらのアルゴリズムは、幅広いタスクにおいて大きなパフォーマンス向上を達成したが、包括的な類似性制約を考慮せず、増大させた。
ここでは,新しい,しかし効果的なDeep Class-wise Discrepancy Loss関数を設計することで,識別的深層埋め込み空間を学習することの懸念に対処する。
論文 参考訳(メタデータ) (2022-09-14T07:54:16Z) - An Improved Greedy Algorithm for Subset Selection in Linear Estimation [5.994412766684842]
有限個の予測位置において、観測値の最もよい推定値を与えるような k 個の位置の集合を求める空間場における部分選択問題を考える。
観測選択の1つのアプローチは、空間の格子離散化を行い、グリードアルゴリズムを用いて近似解を得ることである。
本稿では,予測位置と予測位置によって形成される傾斜角の遠心点のみからなる探索空間を考慮し,計算複雑性を低減する手法を提案する。
論文 参考訳(メタデータ) (2022-03-30T05:52:16Z) - Learning Where to Learn in Cross-View Self-Supervised Learning [54.14989750044489]
自己教師付き学習(SSL)は大きな進歩を遂げ、教師付き学習との大きなギャップを狭めた。
現在の方法では、埋め込みにピクセルの統一的なアグリゲーションを採用する。
本稿では,特徴の空間情報を適応的に集約する学習方法であるLearning Where to Learn(LEWEL)を提案する。
論文 参考訳(メタデータ) (2022-03-28T17:02:42Z) - Probabilistic spatial clustering based on the Self Discipline Learning
(SDL) model of autonomous learning [1.9322517897534983]
教師なしクラスタリングアルゴリズムは、高次元のラベルなしデータの次元を効果的に削減することができる。
従来のクラスタリングアルゴリズムでは、事前にカテゴリの上限を設定する必要がある。
自己離散学習(SDL)モデルに基づく確率空間クラスタリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-07T17:18:57Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - Communication-efficient distributed eigenspace estimation [31.69089186688224]
我々は,データ行列の先頭不変部分空間を計算するための通信効率のよい分散アルゴリズムを開発した。
提案アルゴリズムは局所解と参照解の間のプロクリスト距離を最小化する新しいアライメント方式を用いる。
本アルゴリズムは,集中型推定器と同様の誤差率を示す。
論文 参考訳(メタデータ) (2020-09-05T02:11:22Z) - Ellipsoidal Subspace Support Vector Data Description [98.67884574313292]
一クラス分類に最適化された低次元空間にデータを変換する新しい手法を提案する。
提案手法の線形および非線形の定式化について述べる。
提案手法は,最近提案されたサブスペースサポートベクトルデータ記述よりもはるかに高速に収束する。
論文 参考訳(メタデータ) (2020-03-20T21:31:03Z)
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。