Fugu-MT 論文翻訳(概要): Distributed Sparse Multicategory Discriminant Analysis

論文の概要: Distributed Sparse Multicategory Discriminant Analysis

arxiv url: http://arxiv.org/abs/2202.10913v1
Date: Tue, 22 Feb 2022 14:23:33 GMT
ステータス: 処理完了
システム内更新日: 2022-02-23 20:00:11.703915
Title: Distributed Sparse Multicategory Discriminant Analysis
Title（参考訳）: 分散スパースマルチカテゴリ判別分析
Authors: Hengchao Chen, Qiang Sun
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.7223564681760166
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a convex formulation for sparse multicategory linear discriminant analysis and then extend it to the distributed setting when data are stored across multiple sites. The key observation is that for the purpose of classification it suffices to recover the discriminant subspace which is invariant to orthogonal transformations. Theoretically, we establish statistical properties ensuring that the distributed sparse multicategory linear discriminant analysis performs as good as the centralized version after {a few rounds} of communications. Numerical studies lend strong support to our methodology and theory.
Abstract（参考訳）: 本稿では,マルチカテゴリ線形判別解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た場合の分散設定に拡張する。鍵となる観察は、分類の目的のために、直交変換に不変な判別部分空間を復元するのに十分であるということである。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程度に機能することを保証する統計特性を確立する。数値研究は我々の方法論と理論を強く支持している。

関連論文リスト

Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文参考訳（メタデータ） (2024-02-14T16:10:42Z)
Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
論文参考訳（メタデータ） (2023-10-12T10:56:25Z)
Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model [2.517838307493912]
本稿では、スペクトル補正および正規化LDA(SRLDA)と呼ばれる線形判別分析の改善を提案する。 SRLDAはスパイクモデル仮定の下で線形分類大域最適解を持つことが証明された。異なるデータセットに対する実験により、SRLDAアルゴリズムは、現在使われているツールよりも分類と次元の削減が優れていることが示された。
論文参考訳（メタデータ） (2022-10-08T00:47:50Z)
Robust classification with flexible discriminant analysis in heterogeneous data [0.7646713951724009]
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。
論文参考訳（メタデータ） (2022-01-09T09:22:56Z)
Riemannian-based Discriminant Analysis for Feature Extraction and Classification [2.1485350418225244]
識別分析は、高次元データから低次元特徴を抽出する機械学習において広く用いられている手法である。従来のeuclidean-based algorithms for discriminant analysisは、スプリアス局所ミニマに容易に収束する。 RDA(Riemannian-based Discriminant Analysis)と呼ばれる新しい手法を提案し、従来のユークリッド法をリーマン多様体空間へ変換する。
論文参考訳（メタデータ） (2021-01-20T09:13:34Z)
A Compressive Classification Framework for High-Dimensional Data [12.284934135116515]
本稿では,データ次元がサンプルサイズよりもかなり高い設定のための圧縮分類フレームワークを提案する。提案手法は線形判別分析に基づく正規化判別分析(CRDA)と呼ばれる。識別規則における強しきい値化を促進するジョイントスパーシティを用いることで、重要な特徴を選択できる。
論文参考訳（メタデータ） (2020-05-09T06:55:00Z)
Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
論文参考訳（メタデータ） (2020-05-08T05:09:08Z)
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)
Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。提案手法は,個々の試料の重量を定義する確率モデルに基づく。サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
論文参考訳（メタデータ） (2020-04-08T19:40:53Z)
Few-shot Domain Adaptation by Causal Mechanism Transfer [107.08605582020866]
我々は,少数のラベル付き対象ドメインデータと多数のラベル付きソースドメインデータしか利用できないレグレッション問題に対して,数ショットの教師付きドメイン適応(DA)について検討する。現在のDA法の多くは、パラメータ化された分布シフトまたは明らかな分布類似性に基づく転送仮定に基づいている。本稿では,データ生成機構がドメイン間で不変であるメタ分散シナリオであるメカニズム転送を提案する。
論文参考訳（メタデータ） (2020-02-10T02:16:53Z)

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。