Fugu-MT 論文翻訳(概要): Relearning ensemble selection based on new generated features

論文の概要: Relearning ensemble selection based on new generated features

arxiv url: http://arxiv.org/abs/2106.06761v1
Date: Sat, 12 Jun 2021 12:45:32 GMT
ステータス: 処理完了
システム内更新日: 2021-06-15 15:49:43.879987
Title: Relearning ensemble selection based on new generated features
Title（参考訳）: 新しい特徴量に基づくアンサンブル選択の再学習
Authors: Robert Burduk
Abstract要約: 提案手法は,3つのベンチマークデータセットと1つの合成データセットを用いて,最先端のアンサンブル手法と比較した。提案手法の評価には4つの分類性能指標を用いる。
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: The ensemble methods are meta-algorithms that combine several base machine learning techniques to increase the effectiveness of the classification. Many existing committees of classifiers use the classifier selection process to determine the optimal set of base classifiers. In this article, we propose the classifiers selection framework with relearning base classifiers. Additionally, we use in the proposed framework the new generated feature, which can be obtained after the relearning process. The proposed technique was compared with state-of-the-art ensemble methods using three benchmark datasets and one synthetic dataset. Four classification performance measures are used to evaluate the proposed method.
Abstract（参考訳）: アンサンブル法は、いくつかのベース機械学習技術を組み合わせて分類の有効性を高めるメタアルゴリズムである。多くの既存の分類器の委員会は、分類器の選択プロセスを使用して、基底分類器の最適セットを決定する。本稿では,再学習ベース分類器を用いた分類器選択フレームワークを提案する。さらに、提案フレームワークでは、再学習プロセス後に得られる新しい特徴を新たに生成する。提案手法は,3つのベンチマークデータセットと1つの合成データセットを用いた最先端アンサンブル手法と比較した。提案手法の評価には4つの分類性能指標を用いる。

関連論文リスト

An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文参考訳（メタデータ） (2024-09-04T14:36:20Z)
Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文参考訳（メタデータ） (2023-09-25T12:31:18Z)
Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。固体アンサンブル分類器を構築するためのプール選択戦略が提示される。我々は異常検出手法の不確実性を利用する。
論文参考訳（メタデータ） (2022-12-23T00:50:41Z)
An Evolutionary Approach for Creating of Diverse Classifier Ensembles [11.540822622379176]
CIF-Eと呼ばれる4段階のプロトコルに基づく分類器の選択と融合のためのフレームワークを提案する。我々は,提案したCIF-Eプロトコルに従って,24種類のアンサンブルアプローチを実装し,評価した。実験により、提案された進化的アプローチは、多くのよく知られたUCIデータセットにおいて最先端の文献的アプローチより優れていることが示された。
論文参考訳（メタデータ） (2022-08-23T14:23:27Z)
Clustering-Based Subset Selection in Evolutionary Multiobjective Optimization [11.110675371854988]
サブセット選択は進化的多目的最適化(EMO)アルゴリズムにおいて重要な要素である。クラスタリングに基づく手法は、EMOアルゴリズムによって得られた解集合からの部分集合選択の文脈では評価されていない。
論文参考訳（メタデータ） (2021-08-19T02:56:41Z)
Multiple Classifiers Based Maximum Classifier Discrepancy for Unsupervised Domain Adaptation [25.114533037440896]
本稿では、2つの分類器の構造を複数の分類器に拡張し、その性能をさらに向上することを提案する。平均的に、3つの分類器の構造を採用すると、精度と効率のトレードオフとして最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-02T03:00:13Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
Ensemble Learning Based Classification Algorithm Recommendation [8.94752302607367]
本稿では,アンサンブル学習に基づくアルゴリズム推薦手法を提案する。提案手法を評価するために,13の既知の候補分類アルゴリズムと5種類のメタ特徴を用いた1090のベンチマーク分類問題に関する広範な実験を行った。
論文参考訳（メタデータ） (2021-01-15T07:14:51Z)
Ensemble of Binary Classifiers Combined Using Recurrent Correlation Associative Memories [1.3706331473063877]
多数決は、アンサンブル法で分類器を結合する手法の例である。本稿では,二項分類問題に対する繰り返し相関連想記憶に基づくアンサンブル手法を提案する。
論文参考訳（メタデータ） (2020-09-18T01:16:53Z)
Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文参考訳（メタデータ） (2020-04-01T09:55:18Z)
Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
論文参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。