Fugu-MT 論文翻訳(概要): A general framework for adaptive two-index fusion attribute weighted naive Bayes

論文の概要: A general framework for adaptive two-index fusion attribute weighted naive Bayes

arxiv url: http://arxiv.org/abs/2202.11963v1
Date: Thu, 24 Feb 2022 08:54:29 GMT
ステータス: 処理完了
システム内更新日: 2022-02-26 01:09:57.014871
Title: A general framework for adaptive two-index fusion attribute weighted naive Bayes
Title（参考訳）: ネイブベイズ重み付き適応2次元核融合特性の一般フレームワーク
Authors: Xiaoliang Zhou, Dongyang Wu, Zitong You, Li Zhang, Ning Ye
Abstract要約: 適応2次元核融合属性重み付きNBのフレームワークを提案する。 ATFNBは各カテゴリから任意のインデックスを選択することができる。 ATFNBは基本NBおよび最先端フィルタ重み付きNBモデルより優れていることを示す。
参考スコア（独自算出の注目度）: 5.0860689203775555
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Naive Bayes(NB) is one of the essential algorithms in data mining. However, it is rarely used in reality because of the attribute independent assumption. Researchers have proposed many improved NB methods to alleviate this assumption. Among these methods, due to high efficiency and easy implementation, the filter attribute weighted NB methods receive great attentions. However, there still exists several challenges, such as the poor representation ability for single index and the fusion problem of two indexes. To overcome above challenges, we propose a general framework for Adaptive Two-index Fusion attribute weighted NB(ATFNB). Two types of data description category are used to represent the correlation between classes and attributes, intercorrelation between attributes and attributes, respectively. ATFNB can select any one index from each category. Then, we introduce a switching factor \{beta} to fuse two indexes, which can adaptively adjust the optimal ratio of the two index on various datasets. And a quick algorithm is proposed to infer the optimal interval of switching factor \{beta}. Finally, the weight of each attribute is calculated using the optimal value \{beta} and is integrated into NB classifier to improve the accuracy. The experimental results on 50 benchmark datasets and a Flavia dataset show that ATFNB outperforms the basic NB and state-of-the-art filter weighted NB models. In addition, the ATFNB framework can improve the existing two-index NB model by introducing the adaptive switching factor \{beta}. Auxiliary experimental results demonstrate the improved model significantly increases the accuracy compared to the original model without the adaptive switching factor \{beta}.
Abstract（参考訳）: Naive Bayes(NB)はデータマイニングに不可欠なアルゴリズムの1つである。しかし、属性が独立した仮定のため、現実には滅多に使われない。研究者はこの仮定を緩和するために多くの改良されたNB法を提案した。これらの方法のうち、高い効率と実装の容易さから、フィルタ属性重み付きnb法が注目されている。しかし、シングルインデックスの表現能力の貧弱さと2つのインデックスの融合問題など、いくつかの課題がある。以上の課題を克服するために,適応2次元核融合属性重み付きNB(ATFNB)の一般的なフレームワークを提案する。データ記述カテゴリの2つのタイプは、クラスと属性の相関、それぞれ属性と属性の相関を表すために使用される。 ATFNBは各カテゴリから任意のインデックスを選択することができる。次に、2つのインデックスを融合させるスイッチング係数 \{beta} を導入し、様々なデータセット上の2つのインデックスの最適な比率を適応的に調整する。また, スイッチング係数{beta} の最適間隔を推定するために, 高速アルゴリズムを提案する。最後に、各属性の重みを最適値 \{beta} を用いて算出し、NB分類器に統合して精度を向上させる。 50のベンチマークデータセットとFraviaデータセットの実験結果は、AFFNBが基本的NBと最先端のフィルタ重み付けNBモデルより優れていることを示している。さらに、atfnbフレームワークは適応スイッチング係数 \{beta} を導入することで、既存の2インデックスnbモデルを改善することができる。補助実験の結果,適応スイッチング係数 \{beta} を必要とせず,従来のモデルと比較して精度が大幅に向上した。

関連論文リスト

XNB: Explainable Class-Specific NaIve-Bayes Classifier [0.0]
本稿では,XNB(Explainable Class-Specific Naive Bayes)を紹介する。 XNBは、後方確率を計算するためにカーネル密度推定を使用する。各クラスの最も関連性の高い機能を分離することで、XNBは、各クラスの最小限の異なるサブセットに機能セットを縮小するだけでなく、モデルがどのように予測を行うかについてより深い洞察を提供する。
論文参考訳（メタデータ） (2024-11-02T10:28:22Z)
Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文参考訳（メタデータ） (2024-10-28T04:47:39Z)
Fractional Naive Bayes (FNB): non-convex optimization for a parsimonious weighted selective naive Bayes classifier [0.0]
非常に多数の入力変数を持つデータセットの分類を監督した。本稿では,このモデルを用いたBalihoodの正規化を提案する。提案したアルゴリズムは最適化に基づく重み付けNa"iveesスキームをもたらす。
論文参考訳（メタデータ） (2024-09-17T11:54:14Z)
Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
論文参考訳（メタデータ） (2023-05-26T13:19:15Z)
Deep Negative Correlation Classification [82.45045814842595]
既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
論文参考訳（メタデータ） (2022-12-14T07:35:20Z)
Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
論文参考訳（メタデータ） (2022-10-12T23:39:28Z)
Contrastive Neural Ratio Estimation for Simulation-based Inference [15.354874711988662]
Likelihood-to-evidence ratio Estimation は通常、バイナリ (NRE-A) またはマルチクラス (NRE-B) の分類タスクとしてキャストされる。バイナリ分類フレームワークとは対照的に、現在のマルチクラスバージョンの定式化は本質的で未知のバイアス項を持つ。我々は,NRE-Bに固有のバイアスを最適に含まないマルチクラスフレームワークを提案し,実践者が依存する診断を行う立場に置かれる。
論文参考訳（メタデータ） (2022-10-11T00:12:51Z)
Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文参考訳（メタデータ） (2022-10-02T05:03:38Z)
Boosting the Discriminant Power of Naive Bayes [17.43377106246301]
本稿では,スタックオートエンコーダを用いた特徴拡張手法を提案し,データ中のノイズを低減し,ベイズの識別力を高める。実験結果から,提案手法は最先端のベイズ分類器よりも大きく,かつ一貫した性能を示した。
論文参考訳（メタデータ） (2022-09-20T08:02:54Z)
Ensemble Classifier Design Tuned to Dataset Characteristics for Network Intrusion Detection [0.0]
データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。提案手法は二進分類と多進分類の両方で評価される。
論文参考訳（メタデータ） (2022-05-08T21:06:42Z)
A Lagrangian Duality Approach to Active Learning [119.36233726867992]
トレーニングデータのサブセットのみをラベル付けするバッチアクティブな学習問題を考察する。制約付き最適化を用いて学習問題を定式化し、各制約はラベル付きサンプルにモデルの性能を拘束する。数値実験により,提案手法は最先端の能動学習法と同等かそれ以上に機能することを示した。
論文参考訳（メタデータ） (2022-02-08T19:18:49Z)

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。