論文の概要: Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms

• arxiv url: http://arxiv.org/abs/2206.04311v1
• Date: Thu, 9 Jun 2022 07:14:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 15:28:37.347137
• Title: Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms
• Title（参考訳）: ファジィ特徴観測による多クラス分類:理論とアルゴリズム
• Authors: Guangzhi Ma and Jie Lu and Feng Liu and Zhen Fang and Guangquan Zhang
• Abstract要約: 我々は,MCIMO(Multi-class classification with Imprecise Observation)と呼ばれる新しい現実的問題に対処する新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そこで,提案した課題を解決するために,サポートベクタマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。
• 参考スコア（独自算出の注目度）: 36.810603503167755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The theoretical analysis of multi-class classification has proved that the existing multi-class classification methods can train a classifier with high classification accuracy on the test set, when the instances are precise in the training and test sets with same distribution and enough instances can be collected in the training set. However, one limitation with multi-class classification has not been solved: how to improve the classification accuracy of multi-class classification problems when only imprecise observations are available. Hence, in this paper, we propose a novel framework to address a new realistic problem called multi-class classification with imprecise observations (MCIMO), where we need to train a classifier with fuzzy-feature observations. Firstly, we give the theoretical analysis of the MCIMO problem based on fuzzy Rademacher complexity. Then, two practical algorithms based on support vector machine and neural networks are constructed to solve the proposed new problem. Experiments on both synthetic and real-world datasets verify the rationality of our theoretical analysis and the efficacy of the proposed algorithms.
• Abstract（参考訳）: 多級分類の理論解析により,既存の多級分類法は,同一分布の訓練セットと試験セットにおいて精度が高く,十分なインスタンスを訓練セットに収集できる場合に,テストセット上で高い分類精度を持つ分類器を訓練できることが証明された。 しかし,マルチクラス分類の限界は解決されていない。不正確な観察しか得られない場合,マルチクラス分類問題の分類精度を改善する方法である。 そこで,本稿では,ファジィ特徴量を持つ分類器を訓練する必要があるマルチクラス分類(mcimo)と呼ばれる新しい現実的な問題に対処するための新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そして,提案する新たな問題を解決するために,サポートベクトルマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。 合成と実世界の両方のデータセットの実験は、理論解析の合理性と提案アルゴリズムの有効性を検証する。

関連論文リスト

• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Set-valued prediction in hierarchical classification with constrained representation complexity [4.258263831866309]
  階層的多クラス分類問題に焦点をあて、有効集合が階層の内部ノードに対応する。 我々は3つの手法を提案し、それらをベンチマークデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-03-13T15:13:19Z)
• The SAMME.C2 algorithm for severely imbalanced multi-class classification [0.0]
  マイノリティクラスは、観測に適した科学学習アルゴリズムが無数の課題を提示しているにもかかわらず、より興味深いクラスと見なされることが多い。 我々は,SAMME.C2と呼ぶ手法に基づいて,高度に不均衡なクラスを扱うための,新しい多クラス分類アルゴリズムを提案する。 得られたアルゴリズムを提供するだけでなく,提案したSAMME.C2アルゴリズムの科学的および統計的定式化も行う。
  論文  参考訳（メタデータ） (2021-12-30T00:20:01Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Statistical Theory for Imbalanced Binary Classification [8.93993657323783]
  最適分類性能は、これまで形式化されていなかったクラス不均衡の特定の性質に依存することを示す。 具体的には、一様クラス不均衡と呼ばれる新しいクラス不均衡のサブタイプを提案する。 これらの結果は、不均衡二項分類に対する最初の有意義な有限サンプル統計理論のいくつかを提供する。
  論文  参考訳（メタデータ） (2021-07-05T03:55:43Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Conditional Classification: A Solution for Computational Energy Reduction [2.182419181054266]
  本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。 提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
  論文  参考訳（メタデータ） (2020-06-29T03:50:39Z)
• 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)

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。