論文の概要: Functional Classwise Principal Component Analysis: A Novel
Classification Framework
- arxiv url: http://arxiv.org/abs/2106.13959v1
- Date: Sat, 26 Jun 2021 07:10:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 14:06:00.483211
- Title: Functional Classwise Principal Component Analysis: A Novel
Classification Framework
- Title(参考訳): 機能的クラスワイド主成分分析:新しい分類フレームワーク
- Authors: Avishek Chatterjee, Satyaki Mazumder, Koel Das
- Abstract要約: 機能データとクラスワイド主成分分析(PCA)を用いた新しい分類フレームワークを提案する。
本手法は,特徴空間を線形に抽出し,特に難解な分類問題に適した特徴空間を抽出する。
提案手法の有効性を,様々な分野の合成データセットと実時間時系列データの両方に適用することで実証する。
- 参考スコア(独自算出の注目度): 4.6592517049808455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent times, functional data analysis (FDA) has been successfully applied
in the field of high dimensional data classification. In this paper, we present
a novel classification framework using functional data and classwise Principal
Component Analysis (PCA). Our proposed method can be used in high dimensional
time series data which typically suffers from small sample size problem. Our
method extracts a piece wise linear functional feature space and is
particularly suitable for hard classification problems.The proposed framework
converts time series data into functional data and uses classwise functional
PCA for feature extraction followed by classification using a Bayesian linear
classifier. We demonstrate the efficacy of our proposed method by applying it
to both synthetic data sets and real time series data from diverse fields
including but not limited to neuroscience, food science, medical sciences and
chemometrics.
- Abstract(参考訳): 近年,高次元データ分類の分野では,機能的データ分析(FDA)が成功している。
本稿では,機能データとクラスワイド主成分分析(PCA)を用いた新しい分類手法を提案する。
提案手法は, サンプルサイズの小さな問題に典型的に苦しむ高次元時系列データに適用できる。
提案手法は,時系列データを関数データに変換し,特徴抽出にクラスワイズ関数型pcaを使用し,ベイズ線形分類器を用いた分類を行う。
提案手法は, 神経科学, 食品科学, 医学, ケモメトリックスに限らず, 様々な分野の合成データセットと実時間時系列データの両方に適用し, 有効性を示す。
関連論文リスト
- Augmented Functional Random Forests: Classifier Construction and Unbiased Functional Principal Components Importance through Ad-Hoc Conditional Permutations [0.0]
本稿では,木に基づく手法と関数型データ解析を統合した新しい教師付き分類手法を提案する。
機能的分類木と機能的ランダム林の拡張版を提案し,機能的主成分の重要性を評価するための新しいツールを取り入れた。
論文 参考訳(メタデータ) (2024-08-23T15:58:41Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - A Functional approach for Two Way Dimension Reduction in Time Series [13.767812547998735]
機能的エンコーダと機能的デコーダからなる非線形関数オンファンクション手法を提案する。
提案手法は,関数が観測される時間点だけでなく,機能的特徴の数を減らし,低次元の潜在表現を与える。
論文 参考訳(メタデータ) (2023-01-01T06:09:15Z) - Functional Nonlinear Learning [0.0]
低次元特徴空間における多変量関数データを表現する機能非線形学習法(FunNoL)を提案する。
本研究では,FunNoLがデータ間隔によらず,良好な曲線分類と再構成を提供することを示す。
論文 参考訳(メタデータ) (2022-06-22T23:47:45Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳(メタデータ) (2022-01-31T13:01:37Z) - Efficient Multidimensional Functional Data Analysis Using Marginal
Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。
本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。
我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文 参考訳(メタデータ) (2021-07-30T16:02:15Z) - Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。
本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。
ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
論文 参考訳(メタデータ) (2021-06-14T14:30:32Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳(メタデータ) (2021-04-11T16:37:32Z) - Machine Learning Assisted Orthonormal Basis Selection for Functional
Data Analysis [0.0]
厳密なデータ駆動による直交基底選択法を提案する。
このアルゴリズムは機械学習スタイルのデータから学習し、効率的に結び目を配置する。
最適性基準は平均(機能的データ点あたり)二乗誤差に基づいており、学習アルゴリズムと比較研究の両方で利用されている。
論文 参考訳(メタデータ) (2021-03-12T18:27:29Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z)
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。