論文の概要: Graph-Embedded Subspace Support Vector Data Description

• arxiv url: http://arxiv.org/abs/2104.14370v1
• Date: Thu, 29 Apr 2021 14:30:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 12:54:12.000975
• Title: Graph-Embedded Subspace Support Vector Data Description
• Title（参考訳）: グラフ埋め込み部分空間サポートベクトルデータ記述
• Authors: Fahad Sohrab, Alexandros Iosifidis, Moncef Gabbouj, Jenni Raitoharju
• Abstract要約: 一クラス分類のための新しいサブスペース学習フレームワークを提案する。 提案されたフレームワークはグラフ埋め込みという形で問題を提示する。 ベースラインに対する改善されたパフォーマンスと、最近提案された1クラス分類のためのサブスペース学習方法を示す。
• 参考スコア（独自算出の注目度）: 98.78559179013295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel subspace learning framework for one-class classification. The proposed framework presents the problem in the form of graph embedding. It includes the previously proposed subspace one-class techniques as its special cases and provides further insight on what these techniques actually optimize. The framework allows to incorporate other meaningful optimization goals via the graph preserving criterion and reveals spectral and spectral regression-based solutions as alternatives to the previously used gradient-based technique. We combine the subspace learning framework iteratively with Support Vector Data Description applied in the subspace to formulate Graph-Embedded Subspace Support Vector Data Description. We experimentally analyzed the performance of newly proposed different variants. We demonstrate improved performance against the baselines and the recently proposed subspace learning methods for one-class classification.
• Abstract（参考訳）: 本稿では,一クラス分類のための新しいサブスペース学習フレームワークを提案する。 提案フレームワークはグラフ埋め込みの形でこの問題を提示する。 前述したサブスペースのone-classテクニックを特別なケースとして含むとともに、これらのテクニックが実際に最適化されているかに関するさらなる洞察を提供する。 このフレームワークはグラフ保存基準を通じて他の有意義な最適化目標を取り入れることができ、以前はグラデーションベースの手法に代わるものとして、スペクトルおよびスペクトル回帰に基づくソリューションを明らかにする。 サブスペース学習フレームワークとサブスペースに適用されるサポートベクトルデータ記述を反復的に組み合わせ、グラフ埋め込みサブスペースサポートベクトルデータ記述を定式化する。 新たに提案した異なる変種の性能を実験的に解析した。 本稿では,ベースラインに対する性能向上と,最近提案されているサブスペース学習法について述べる。

関連論文リスト

• Newton Method-based Subspace Support Vector Data Description [16.772385337198834]
  サブスペース支援ベクトルデータ記述法(S-SVDD)の最適化のためのニュートン法の適用について述べる。 我々はNewtonの手法を利用してデータマッピングとデータ記述を強化し、サブスペース学習に基づく一クラス分類の最適化を改善する。 本稿では,勾配降下の限界と,一クラス分類タスクにおける部分空間学習におけるニュートン法の利用の利点について論じる。
  論文  参考訳（メタデータ） (2023-09-25T08:49:41Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Symmetric Spaces for Graph Embeddings: A Finsler-Riemannian Approach [7.752212921476838]
  表現学習における対称空間の体系的利用を提案する。 本研究では,組込み解析ツールを開発し,データセットの構造的特性を推定する。 提案手法は, 各種合成および実世界のデータセット上でのグラフ再構成タスクにおいて, 競合的ベースラインよりも優れる。
  論文  参考訳（メタデータ） (2021-06-09T09:33:33Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
  我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。 従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。 推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-10-28T18:10:20Z)
• Rank-one partitioning: formalization, illustrative examples, and a new cluster enhancing strategy [17.166794984161967]
  分割手法を統一するランクワン分割学習パラダイムを導入・形式化する。 階数1行列の分解と断片的定値信号の分解に基づく分割問題に対する新しいアルゴリズム的解法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T11:37:28Z)
• There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
  正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。 このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。 本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:58:08Z)
• 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。