論文の概要: Efficient Learning of Pinball TWSVM using Privileged Information and its applications

• arxiv url: http://arxiv.org/abs/2107.06744v1
• Date: Wed, 14 Jul 2021 14:42:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 17:34:34.629889
• Title: Efficient Learning of Pinball TWSVM using Privileged Information and its applications
• Title（参考訳）: 特権情報を用いたピンボールtwsvmの効率的な学習とその応用
• Authors: Reshma Rastogi (nee. Khemchandani) and Aman Pal
• Abstract要約: 特権情報に基づくTwin Pinball Support Vector Machine分類器(Pin-TWSVMPI)を提案する。 提案したPin-TWSVMPIは2つの非並列決定超平面を得るために補正関数を用いて特権情報を組み込む。 UCIデータセットに対して、まず、Pin-TWSVMPIによりさらに活用されるデータセットの特徴から特権情報を抽出するプロシージャを実装する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In any learning framework, an expert knowledge always plays a crucial role. But, in the field of machine learning, the knowledge offered by an expert is rarely used. Moreover, machine learning algorithms (SVM based) generally use hinge loss function which is sensitive towards the noise. Thus, in order to get the advantage from an expert knowledge and to reduce the sensitivity towards the noise, in this paper, we propose privileged information based Twin Pinball Support Vector Machine classifier (Pin-TWSVMPI) where expert's knowledge is in the form of privileged information. The proposed Pin-TWSVMPI incorporates privileged information by using correcting function so as to obtain two nonparallel decision hyperplanes. Further, in order to make computations more efficient and fast, we use Sequential Minimal Optimization (SMO) technique for obtaining the classifier and have also shown its application for Pedestrian detection and Handwritten digit recognition. Further, for UCI datasets, we first implement a procedure which extracts privileged information from the features of the dataset which are then further utilized by Pin-TWSVMPI that leads to enhancement in classification accuracy with comparatively lesser computational time.
• Abstract（参考訳）: どんな学習フレームワークでも、エキスパートの知識は常に重要な役割を果たす。 しかし、機械学習の分野では、専門家が提供する知識はめったに使われない。 さらに、機械学習アルゴリズム(SVMベース)は一般的にノイズに敏感なヒンジ損失関数を使用する。 そこで,本稿では,専門家の知識を特権情報として活用した2つのピンボール支援ベクトルマシン分類器(Pin-TWSVMPI)を提案する。 提案したPin-TWSVMPIは2つの非並列決定超平面を得るために補正関数を用いて特権情報を組み込む。 さらに,計算をより効率的かつ高速にするために,逐次最小最適化(smo)手法を用いて分類器を取得し,歩行者検出や手書き文字認識への応用も示した。 さらに、UCIデータセットに対して、まず、Pin-TWSVMPIによりさらに活用されるデータセットの特徴から特権情報を抽出するプロシージャを実装し、より少ない計算時間で分類精度を向上させる。

関連論文リスト

• Layer Attack Unlearning: Fast and Accurate Machine Unlearning via Layer Level Attack and Knowledge Distillation [21.587358050012032]
  本稿では,階層攻撃アンラーニング(Layer attack unlearning)と呼ばれる,高速で斬新な機械学習パラダイムを提案する。 そこで本研究では, 試料を効率よく検出する部分PGDアルゴリズムを提案する。 また,教師から意思決定境界を確実に学習するために知識蒸留(KD)も活用する。
  論文  参考訳（メタデータ） (2023-12-28T04:38:06Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Computing Rule-Based Explanations of Machine Learning Classifiers using Knowledge Graphs [62.997667081978825]
  我々は、機械学習分類器の動作を説明する用語を提供する基盤となるフレームワークとして知識グラフを使用している。 特に,知識グラフの用語で表される一階述語論理規則の形で,ブラックボックスの説明を抽出し,表現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T16:21:49Z)
• Knowledge Informed Machine Learning using a Weibull-based Loss Function [0.0]
  機械学習の知識は、外部知識の統合によって強化される。 共通IMSとPRONOSTIAデータを用いた知識情報機械学習手法を実証した。 ワイブル型損失関数の詳細な統計的解析を行い,PronoSTIAデータセット上での有効性を実証した。
  論文  参考訳（メタデータ） (2022-01-04T22:53:14Z)
• A Ternary Bi-Directional LSTM Classification for Brain Activation Pattern Recognition Using fNIRS [0.15229257192293197]
  機能近赤外分光法(FNIRS)は、脳の血流パターンを研究するために用いられる非侵襲的で低コストな方法である。 提案システムはタスク分類にBi-Directional LSTMベースのディープラーニングアーキテクチャを使用する。
  論文  参考訳（メタデータ） (2021-01-14T22:21:15Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
  本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。 本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2020-08-14T05:46:56Z)
• Privileged Information Dropout in Reinforcement Learning [56.82218103971113]
  トレーニング中に特権情報を使用することで、機械学習システムのサンプル効率とパフォーマンスを向上させることができる。 本研究では,価値に基づく強化学習アルゴリズムとポリシーに基づく強化学習アルゴリズムに等しく適用可能なプライヴィレグ情報ドロップアウト(pid)について検討する。
  論文  参考訳（メタデータ） (2020-05-19T05:32:33Z)
• Knowledge Graph semantic enhancement of input data for improving AI [0.0]
  機械学習アルゴリズムを用いて設計されたインテリジェントシステムは、大量のラベル付きデータを必要とする。 背景知識は、限定ラベル付きデータを拡張して機械学習アルゴリズムを訓練する、補完的で現実的な事実情報を提供する。 知識グラフ(KG)は、多くの実践的な応用において、グラフの形でこれらの背景知識を整理するのに便利で有用である。
  論文  参考訳（メタデータ） (2020-05-10T17:37:38Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。