論文の概要: Robust classification with flexible discriminant analysis in
heterogeneous data
- arxiv url: http://arxiv.org/abs/2201.02967v1
- Date: Sun, 9 Jan 2022 09:22:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 15:36:52.214207
- Title: Robust classification with flexible discriminant analysis in
heterogeneous data
- Title(参考訳): 不均質データにおける柔軟判別分析によるロバスト分類
- Authors: Pierre Houdouin, Fr\'ed\'eric Pascal, Matthieu Jonckheere, Andrew Wang
- Abstract要約: 本稿では、各データポイントを任意のスケールパラメータで描画する、新しいロバスト判別分析を提案する。
パラメータの最大値の推定と分類は、最先端の手法と比較して非常に単純で、高速で、堅牢である。
- 参考スコア(独自算出の注目度): 0.7646713951724009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear and Quadratic Discriminant Analysis are well-known classical methods
but can heavily suffer from non-Gaussian distributions and/or contaminated
datasets, mainly because of the underlying Gaussian assumption that is not
robust. To fill this gap, this paper presents a new robust discriminant
analysis where each data point is drawn by its own arbitrary Elliptically
Symmetrical (ES) distribution and its own arbitrary scale parameter. Such a
model allows for possibly very heterogeneous, independent but non-identically
distributed samples. After deriving a new decision rule, it is shown that
maximum-likelihood parameter estimation and classification are very simple,
fast and robust compared to state-of-the-art methods.
- Abstract(参考訳): 線形および二次判別分析は古典的手法としてよく知られているが、非ガウス分布や汚染されたデータセットに悩まされることがある。
本稿では,このギャップを埋めるために,各データポイントを任意の楕円対称 (es) 分布と任意のスケールパラメータで描画する,新しいロバストな判別解析を提案する。
このようなモデルは、おそらく非常に異質で、独立で、特定されていない分散サンプルを可能にする。
新たな決定規則を導出した結果,最大類似度パラメータ推定と分類は非常に単純で高速で頑健であることが判明した。
関連論文リスト
- Anomaly Detection Under Uncertainty Using Distributionally Robust
Optimization Approach [0.9217021281095907]
異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。
1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。
誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
論文 参考訳(メタデータ) (2023-12-03T06:13:22Z) - FEMDA: a unified framework for discriminant analysis [4.6040036610482655]
非ガウスデータセットを扱うための新しいアプローチを提案する。
考慮されているモデルは、任意のスケールパラメータを持つクラスタ毎の任意の対称性(ES)分布である。
新しい決定規則を導出することにより,最大値のパラメータ推定と分類が,最先端手法と比較してシンプルで効率的で堅牢であることを示す。
論文 参考訳(メタデータ) (2023-11-13T17:59:37Z) - FEMDA: Une m\'ethode de classification robuste et flexible [0.8594140167290096]
本稿では,新しい識別分析手法のデータのスケール変化に対するロバスト性について検討する。
導出された新しい決定ルールは、他の最先端の方法と比較して、データのスケール変更が簡単で、高速で、堅牢である。
論文 参考訳(メタデータ) (2023-07-04T23:15:31Z) - Data thinning for convolution-closed distributions [2.299914829977005]
本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。
教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
論文 参考訳(メタデータ) (2023-01-18T02:47:41Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳(メタデータ) (2022-07-05T14:55:16Z) - Distributed Sparse Multicategory Discriminant Analysis [1.7223564681760166]
本稿では,スパースマルチカテゴリ線形判別分析のための凸定式化を提案し,複数のサイトにわたってデータが格納されている場合,それを分散環境に拡張する。
理論的には、分散スパース多重カテゴリー線形判別分析が、数ラウンドの通信の後、集中バージョンと同等に機能することを保証する統計特性を確立する。
論文 参考訳(メタデータ) (2022-02-22T14:23:33Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳(メタデータ) (2022-01-28T10:01:37Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳(メタデータ) (2020-09-29T12:50:33Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z)
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。