論文の概要: A Novel Approach for Optimum-Path Forest Classification Using Fuzzy Logic

• arxiv url: http://arxiv.org/abs/2204.06635v1
• Date: Wed, 13 Apr 2022 20:55:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-16 05:46:04.693552
• Title: A Novel Approach for Optimum-Path Forest Classification Using Fuzzy Logic
• Title（参考訳）: ファジィ論理を用いた最適森林分類法の提案
• Authors: Renato W. R. de Souza, Jo\~ao V. C. de Oliveira, Leandro A. Passos, Weiping Ding, Jo\~ao P. Papa, and Victor Hugo C. de Albuquerque
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.313728527879306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past decades, fuzzy logic has played an essential role in many research areas. Alongside, graph-based pattern recognition has shown to be of great importance due to its flexibility in partitioning the feature space using the background from graph theory. Some years ago, a new framework for both supervised, semi-supervised, and unsupervised learning named Optimum-Path Forest (OPF) was proposed with competitive results in several applications, besides comprising a low computational burden. In this paper, we propose the Fuzzy Optimum-Path Forest, an improved version of the standard OPF classifier that learns the samples' membership in an unsupervised fashion, which are further incorporated during supervised training. Such information is used to identify the most relevant training samples, thus improving the classification step. Experiments conducted over twelve public datasets highlight the robustness of the proposed approach, which behaves similarly to standard OPF in worst-case scenarios.
• Abstract（参考訳）: 過去数十年間、ファジィ論理は多くの研究領域において重要な役割を担ってきた。 グラフベースのパターン認識は、グラフ理論の背景を使って特徴空間を分割する柔軟性から、非常に重要であることが示されている。 数年前、最適化パスフォレスト(opf)と呼ばれる教師あり、半教師あり、教師なしの学習のための新しいフレームワークが、計算負荷が低いことに加えて、いくつかのアプリケーションにおいて競合の結果と共に提案された。 本稿では,教師なしの方法でサンプルのメンバシップを学習する標準opf分類器の改良版であるファジィ最適パスフォレストを提案する。 このような情報は、最も関連するトレーニングサンプルを特定するために使用され、分類ステップを改善する。 12の公開データセットで実施した実験では,提案手法の堅牢性が強調されている。

関連論文リスト

• A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees [5.831659043074847]
  直観主義的ファジィ決定木(IFDT)のランダム森林アンサンブルを提案する。 提案手法は,ブートストラップサンプリングと特徴選択からランダム性のパワーを享受する。 本研究は,直観的ファジィ理論に基づくランダムな森林アンサンブルを提案する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-12T06:52:24Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-09T02:32:57Z)
• Bucketized Active Sampling for Learning ACOPF [15.509961352249434]
  本稿では,市場浄化アプリケーションの要件を満たすため,Bucketized Active Smpling (BAS)を提案する。 BASは入力ドメインをバケットに分割し、次にサンプルする場所を決定するために取得関数を使用する。 BASはまた、時間とともに増加し減少する適応的な学習率にも依存している。
  論文  参考訳（メタデータ） (2022-08-16T02:04:17Z)
• Sylph: A Hypernetwork Framework for Incremental Few-shot Object Detection [8.492340530784697]
  大量のデータを含む多くの基本カテゴリがメタトレーニングに利用できる場合、ファネチューンフリーのiFSDは極めて有効であることを示す。 我々はCOCOとLVISの両方でモデルをベンチマークし、LVISの長テールレアクラスで最大17%のAPを報告した。
  論文  参考訳（メタデータ） (2022-03-25T20:39:00Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Comparative Study Between Distance Measures On Supervised Optimum-Path Forest Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2022-02-08T13:34:09Z)

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。