Fugu-MT 論文翻訳(概要): Chance constrained conic-segmentation support vector machine with uncertain data

論文の概要: Chance constrained conic-segmentation support vector machine with uncertain data

arxiv url: http://arxiv.org/abs/2107.13319v1
Date: Wed, 28 Jul 2021 12:29:47 GMT
ステータス: 処理完了
システム内更新日: 2021-07-29 18:32:01.715103
Title: Chance constrained conic-segmentation support vector machine with uncertain data
Title（参考訳）: 不確実なデータを有するチャンス制約円錐分割支援ベクトルマシン
Authors: Shen Peng, Gianpiero Canessa
Abstract要約: サポートベクトルマシン(SVM)は、よく知られた学習アルゴリズムのクラスの一つである。本稿では,CS-SVMのデータポイントの不確かさや誤動作について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Support vector machines (SVM) is one of the well known supervised classes of learning algorithms. Furthermore, the conic-segmentation SVM (CS-SVM) is a natural multiclass analogue of the standard binary SVM, as CS-SVM models are dealing with the situation where the exact values of the data points are known. This paper studies CS-SVM when the data points are uncertain or mislabelled. With some properties known for the distributions, a chance-constrained CS-SVM approach is used to ensure the small probability of misclassification for the uncertain data. The geometric interpretation is presented to show how CS-SVM works. Finally, we present experimental results to investigate the chance constrained CS-SVM's performance.
Abstract（参考訳）: サポートベクトルマシン(SVM)は、よく知られた学習アルゴリズムのクラスの一つである。さらに、CS-SVMモデルは、データポイントの正確な値が知られている状況を扱うため、円錐分割SVM(CS-SVM)は標準バイナリSVMの自然なマルチクラスアナログである。本稿では,CS-SVMのデータポイントの不確かさや誤動作について検討する。いくつかの特性が分布として知られており、不確実なデータの誤分類の少ない確率を保証するために、確率制約付きCS-SVMアプローチが用いられる。幾何学的解釈はCS-SVMの動作を示す。最後に,CS-SVMの性能に制約があるかどうかを実験的に検討する。

関連論文リスト

Multi-class Support Vector Machine with Maximizing Minimum Margin [67.51047882637688]
Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。実験により,提案手法の有効性と優位性を示す。
論文参考訳（メタデータ） (2023-12-11T18:09:55Z)
Cost-sensitive probabilistic predictions for support vector machines [1.743685428161914]
サポートベクターマシン(SVM)は広く使われており、最もよく検討され使用されている機械学習モデルの一つである。本稿では,SVMの確率的出力を生成する新しい手法を提案する。
論文参考訳（メタデータ） (2023-10-09T11:00:17Z)
Low-Rank Multitask Learning based on Tensorized SVMs and LSSVMs [65.42104819071444]
マルチタスク学習(MTL)はタスク関連性を活用して性能を向上させる。タスクインデックスに対応する各モードを持つ高次テンソルを用いて、複数のインデックスが参照するタスクを自然に表現する。テンソル化サポートベクターマシン(SVM)と最小2乗サポートベクターマシン(LSSVM)を併用した低ランクMTL手法の汎用フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-30T14:28:26Z)
New Equivalences Between Interpolation and SVMs: Kernels and Structured Features [22.231455330003328]
本稿では、任意のカーネルを再生するヒルベルト空間において、ラベルに対するフレキシブルな生成モデルのクラスでSVPを証明するための新しいフレキシブルな分析フレームワークを提案する。我々は、SVPが以前の作業でカバーされていない多くの興味深い設定で発生していることを示し、カーネルSVM分類のための新しい一般化結果を証明するためにこれらの結果を活用する。
論文参考訳（メタデータ） (2023-05-03T17:52:40Z)
Abstract Interpretation-Based Feature Importance for SVMs [8.879921160392737]
本稿では,抽象解釈を用いたサポートベクトルマシン(SVM)の記号表現を提案する。我々は,SVMの精度のデータセットに依存しない,抽象的特徴重要度(AFI)と呼ばれる新しい特徴重要度尺度を導出する。我々の実験結果によると、SVMの精度とは独立に、我々のAFI尺度は機械学習ソフトウェアで広く利用できる特徴重要度よりも、SVMの摂動に対する安定性に強く相関している。
論文参考訳（メタデータ） (2022-10-22T13:57:44Z)
Handling Imbalanced Classification Problems With Support Vector Machines via Evolutionary Bilevel Optimization [73.17488635491262]
サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。この記事では、EBCS-SVMについて紹介する。
論文参考訳（メタデータ） (2022-04-21T16:08:44Z)
Machine-Learning-Derived Entanglement Witnesses [55.76279816849472]
本稿では,線形支援ベクトルマシン (SVM) と絡み合い目撃者の対応を示す。我々はこの対応を利用して、二部類と三部類(およびキュビット)の絡み合った状態に対する絡み合いの証人を生成する。
論文参考訳（メタデータ） (2021-07-05T22:28:02Z)
Comprehensive Review On Twin Support Vector Machines [0.0]
ツインサポートベクターマシン(tsvm)とツインサポートベクター回帰(tsvr)は、新しい効率的な機械学習技術である。 TSVMは、データポイントをそれぞれのクラスに分類する2つの非平行超平面を識別するアイデアに基づいている。 TSVRはTSVMのラインで定式化されており、2つのSVMタイプの問題を解決する必要がある。
論文参考訳（メタデータ） (2021-05-01T19:48:45Z)
Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
論文参考訳（メタデータ） (2021-02-23T20:22:56Z)
Learning a powerful SVM using piece-wise linear loss functions [0.0]
k-PL-SVMモデル(k-PL-SVM)は、適応SVMモデルである。 k = 2 および 3 に対する k-PL-SVM モデルによる広範な数値実験を行った。
論文参考訳（メタデータ） (2021-02-09T14:45:08Z)
On Coresets for Support Vector Machines [61.928187390362176]
coresetは、元のデータポイントの小さな、代表的なサブセットである。我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
論文参考訳（メタデータ） (2020-02-15T23:25:12Z)

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。