論文の概要: Comparative Study Between Distance Measures On Supervised Optimum-Path Forest Classification

• arxiv url: http://arxiv.org/abs/2202.03854v1
• Date: Tue, 8 Feb 2022 13:34:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 20:40:03.121606
• Title: Comparative Study Between Distance Measures On Supervised Optimum-Path Forest Classification
• Title（参考訳）: 森林の最適分類における距離対策の比較研究
• Authors: Gustavo Henrique de Rosa, Mateus Roder, Jo\~ao Paulo Papa
• Abstract要約: Optimum-Path Forest (OPF) はグラフベースの方法論と距離測度を使ってノード間の弧を作り、そのため木の集合を作る。 本研究は,オプティカム・パス林の森林分類に応用された広範囲な距離測定に関する比較研究を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning has attracted considerable attention throughout the past decade due to its potential to solve far-reaching tasks, such as image classification, object recognition, anomaly detection, and data forecasting. A standard approach to tackle such applications is based on supervised learning, which is assisted by large sets of labeled data and is conducted by the so-called classifiers, such as Logistic Regression, Decision Trees, Random Forests, and Support Vector Machines, among others. An alternative to traditional classifiers is the parameterless Optimum-Path Forest (OPF), which uses a graph-based methodology and a distance measure to create arcs between nodes and hence sets of trees, responsible for conquering the nodes, defining their labels, and shaping the forests. Nevertheless, its performance is strongly associated with an appropriate distance measure, which may vary according to the dataset's nature. Therefore, this work proposes a comparative study over a wide range of distance measures applied to the supervised Optimum-Path Forest classification. The experimental results are conducted using well-known literature datasets and compared across benchmarking classifiers, illustrating OPF's ability to adapt to distinct domains.
• Abstract（参考訳）: 機械学習は、画像分類、オブジェクト認識、異常検出、データ予測といった、広範囲にわたる課題を解決できる可能性から、過去10年間にわたって大きな注目を集めてきた。 このようなアプリケーションに取り組むための標準的なアプローチは教師付き学習に基づいており、これは大量のラベル付きデータによって支援され、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクトルマシンなどのいわゆる分類器によって実行される。 従来の分類法に代わるものとして、パラメータレス最適パスフォレスト(OPF)があり、グラフベースの方法論と距離測定を用いてノード間の弧を作り、ノードを征服し、ラベルを定義し、森林を形成する。 それにもかかわらず、その性能はデータセットの性質に応じて変化する適切な距離尺度と強く関連している。 そこで,本研究では,森林の最適林分分類に適用する広範囲な距離測定法の比較研究を提案する。 実験結果は、よく知られた文献データセットを用いて実施され、ベンチマーク分類器間で比較され、OPFが異なるドメインに適応する能力を示す。

関連論文リスト

• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• A Satellite Band Selection Framework for Amazon Forest Deforestation Detection Task [0.5825410941577593]
  森林伐採と伐採は年間数百万ヘクタールに影響を及ぼし、効果的な森林モニタリングのために政府や民間のイニシアチブを必要としている。 本研究では,Univariate Marginal Distribution Algorithm (UMDA) を用いてLandsat-8衛星からスペクトル帯域を選択する手法を提案する。 この選択はセマンティックセグメンテーションアーキテクチャであるDeepLabv3+をガイドし、パフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-04-03T11:47:20Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• INoD: Injected Noise Discriminator for Self-Supervised Representation Learning in Agricultural Fields [6.891600948991265]
  Injected Noise Discriminator (INoD) を提案する。 INoDは、畳み込みエンコーディング中に2つの非結合データセットからフィーチャーマップをインターリーブし、結果のフィーチャーマップのデータセットアフィリエイトをプレテキストタスクとして予測する。 提案手法により、ネットワークは、あるデータセットで見られるオブジェクトの無意味な表現を学習し、解離したデータセットの類似した特徴と合わせて観察することができる。
  論文  参考訳（メタデータ） (2023-03-31T14:46:31Z)
• A Novel Approach for Optimum-Path Forest Classification Using Fuzzy Logic [13.313728527879306]
  Fuzzy Optimum-Path Forestは標準的なOPF分類器の改良版である。 教師なしの方法でサンプルのメンバシップを学習し、教師なしのトレーニング中にさらに組み込まれる。 12の公開データセットで実施された実験は、提案されたアプローチの堅牢性を強調している。
  論文  参考訳（メタデータ） (2022-04-13T20:55:30Z)
• Cross-Cluster Weighted Forests [4.9873153106566575]
  本稿では,特徴分布に不均一性をもつ単一データセット内のクラスタ上で学習したランダムフォレスト学習者のアンサンブル効果について考察する。 従来のランダムフォレストアルゴリズムに比べて,k平均等のアルゴリズムによって決定されたクラスタ上で訓練された森林のアンサンブルの構築精度と一般化性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-05-17T04:58:29Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Robust Similarity and Distance Learning via Decision Forests [8.587164648430251]
  距離学習のための新たな決定森林アルゴリズムを提案し,これをSimisity and Metric Random Forests(SMERF)と呼ぶ。 任意の距離を近似し、重要な特徴を識別する能力は、シミュレーションデータセット上で実証的に実証されている。
  論文  参考訳（メタデータ） (2020-07-27T20:17:42Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。