論文の概要: A Framework for Multi-View Classification of Features
- arxiv url: http://arxiv.org/abs/2108.01019v1
- Date: Mon, 2 Aug 2021 16:27:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 15:10:20.660579
- Title: A Framework for Multi-View Classification of Features
- Title(参考訳): 特徴のマルチビュー分類のためのフレームワーク
- Authors: Khalil Taheri, Hadi Moradi, Mostafa Tavassolipour
- Abstract要約: データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。
本研究では,人間の複数視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
- 参考スコア(独自算出の注目度): 6.660458629649826
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: One of the most important problems in the field of pattern recognition is
data classification. Due to the increasing development of technologies
introduced in the field of data classification, some of the solutions are still
open and need more research. One of the challenging problems in this area is
the curse of dimensionality of the feature set of the data classification
problem. In solving the data classification problems, when the feature set is
too large, typical approaches will not be able to solve the problem. In this
case, an approach can be used to partition the feature set into multiple
feature sub-sets so that the data classification problem is solved for each of
the feature subsets and finally using the ensemble classification, the
classification is applied to the entire feature set. In the above-mentioned
approach, the partitioning of feature set into feature sub-sets is still an
interesting area in the literature of this field. In this research, an
innovative framework for multi-view ensemble classification, inspired by the
problem of object recognition in the multiple views theory of humans, is
proposed. In this method, at first, the collaboration values between the
features is calculated using a criterion called the features collaboration
criterion. Then, the collaboration graph is formed based on the calculated
collaboration values. In the next step, using the community detection method,
graph communities are found. The communities are considered as the problem
views and the different base classifiers are trained for different views using
the views corresponding training data. The multi-view ensemble classifier is
then formed by a combination of base classifiers based on the AdaBoost
algorithm. The simulation results of the proposed method on the real and
synthetic datasets show that the proposed method increases the classification
accuracy.
- Abstract(参考訳): パターン認識の分野で最も重要な問題の1つは、データ分類である。
データ分類の分野で導入された技術の発展により、いくつかのソリューションはまだオープンであり、さらなる研究が必要である。
この領域における課題の1つは、データ分類問題の特徴集合の次元性の呪いである。
データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。
この場合、特徴集合を複数の特徴部分集合に分割して、各特徴集合に対してデータ分類問題を解決し、最後にアンサンブル分類を用いることで、特徴集合全体に分類を適用することができる。
上述のアプローチでは、特徴集合を特徴部分集合に分割することは、この分野の文献における興味深い分野である。
本研究では,人間の多視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
本手法では,まず,特徴の協調基準と呼ばれる基準を用いて,特徴間の協調値を算出する。
そして、算出されたコラボレーション値に基づいてコラボレーショングラフを形成する。
次のステップでは、コミュニティ検出手法を使用して、グラフコミュニティを見つける。
コミュニティは問題ビューと見なされ、異なるベース分類器は対応するトレーニングデータを用いて異なるビューのために訓練される。
マルチビューアンサンブル分類器は、adaboostアルゴリズムに基づくベース分類器の組み合わせによって構成される。
実データと合成データを用いたシミュレーションの結果,提案手法により分類精度が向上した。
関連論文リスト
- Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。
元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。
これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
論文 参考訳(メタデータ) (2024-09-25T13:11:17Z) - Graph-based Active Learning for Entity Cluster Repair [1.7453520331111723]
クラスタ修復手法は、クラスタ内のエラーを判定し、各クラスタが同一エンティティを表すレコードで構成されるように修正することを目的としている。
現在のクラスタ修復手法では、重複のないデータソースを前提としており、あるソースからのレコードは別のソースからのユニークなレコードに対応する。
近年,クラスタリング手法とリンク分類法を併用して,重複したデータソースに適用する手法が提案されている。
本稿では,クラスタ修復のための新しい手法を提案し,その基盤となる類似性グラフから得られるグラフメトリクスを利用する。
論文 参考訳(メタデータ) (2024-01-26T16:42:49Z) - Generating Hierarchical Structures for Improved Time Series
Classification Using Stochastic Splitting Functions [0.0]
本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。
この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
論文 参考訳(メタデータ) (2023-09-21T10:34:50Z) - 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) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳(メタデータ) (2022-11-03T08:18:27Z) - A review of systematic selection of clustering algorithms and their
evaluation [0.0]
本稿では,クラスタリングアルゴリズムとそれに対応する検証概念の体系的選択ロジックを同定することを目的とする。
目標は、潜在的なユーザが自分のニーズと基盤となるデータクラスタリングの問題の性質に最も適したアルゴリズムを選択できるようにすることだ。
論文 参考訳(メタデータ) (2021-06-24T07:01:46Z) - 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) - Active Hybrid Classification [79.02441914023811]
本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。
本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-01-21T21:09:07Z) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳(メタデータ) (2020-08-23T08:25:06Z) - On-the-Fly Joint Feature Selection and Classification [16.84451472788859]
本稿では,共同で特徴選択と分類を行うためのフレームワークを提案する。
我々は、関連する最適化問題の最適解を導出し、その構造を解析する。
提案アルゴリズムの性能を複数の公開データセット上で評価する。
論文 参考訳(メタデータ) (2020-04-21T19:19:39Z) - Deep Inverse Feature Learning: A Representation Learning of Error [6.5358895450258325]
本稿では,機械学習における誤りに対する新たな視点を紹介し,表現学習手法として逆特徴学習(IFL)を提案する。
逆特徴学習法は、深層クラスタリング手法に基づいて、誤り表現の定性的形式を特徴として求める。
実験の結果,提案手法は分類,特にクラスタリングにおいて有望な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2020-03-09T17:45:44Z)
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。