論文の概要: An Evolutionary Approach for Creating of Diverse Classifier Ensembles
- arxiv url: http://arxiv.org/abs/2208.10996v1
- Date: Tue, 23 Aug 2022 14:23:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:25:56.049045
- Title: An Evolutionary Approach for Creating of Diverse Classifier Ensembles
- Title（参考訳）: 多様な分類器アンサンブル作成のための進化的アプローチ
- Authors: Alvaro R. Ferreira Jr, Fabio A. Faria, Gustavo Carneiro, and Vinicius
V. de Melo
- Abstract要約: CIF-Eと呼ばれる4段階のプロトコルに基づく分類器の選択と融合のためのフレームワークを提案する。
我々は,提案したCIF-Eプロトコルに従って,24種類のアンサンブルアプローチを実装し,評価した。
実験により、提案された進化的アプローチは、多くのよく知られたUCIデータセットにおいて最先端の文献的アプローチより優れていることが示された。
- 参考スコア（独自算出の注目度）: 11.540822622379176
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classification is one of the most studied tasks in data mining and machine
learning areas and many works in the literature have been presented to solve
classification problems for multiple fields of knowledge such as medicine,
biology, security, and remote sensing. Since there is no single classifier that
achieves the best results for all kinds of applications, a good alternative is
to adopt classifier fusion strategies. A key point in the success of classifier
fusion approaches is the combination of diversity and accuracy among
classifiers belonging to an ensemble. With a large amount of classification
models available in the literature, one challenge is the choice of the most
suitable classifiers to compose the final classification system, which
generates the need of classifier selection strategies. We address this point by
proposing a framework for classifier selection and fusion based on a four-step
protocol called CIF-E (Classifiers, Initialization, Fitness function, and
Evolutionary algorithm). We implement and evaluate 24 varied ensemble
approaches following the proposed CIF-E protocol and we are able to find the
most accurate approach. A comparative analysis has also been performed among
the best approaches and many other baselines from the literature. The
experiments show that the proposed evolutionary approach based on Univariate
Marginal Distribution Algorithm (UMDA) can outperform the state-of-the-art
literature approaches in many well-known UCI datasets.
- Abstract（参考訳）: 分類は、データマイニングや機械学習の分野でもっとも研究されているタスクの1つであり、医学、生物学、セキュリティ、リモートセンシングなど、複数の分野の知識の分類問題を解決するために多くの文献が提示されている。
あらゆる種類のアプリケーションに最適な結果をもたらす単一の分類器は存在しないので、優れた代替手段は分類器融合戦略を採用することである。
分類器融合アプローチの成功の重要な点は、アンサンブルに属する分類器間の多様性と精度の組み合わせである。
文献で利用できる大量の分類モデルでは、最終分類体系を構成するのに最も適した分類器を選択することが課題であり、分類器選択戦略の必要性が生じる。
CIF-E(Classifiers, Initialization, Fitness function, and Evolutionary algorithm)と呼ばれる4段階のプロトコルに基づいて分類器の選択と融合のためのフレームワークを提案する。
我々は提案したCIF-Eプロトコルに従って24種類のアンサンブルアプローチを実装し,評価し,最も正確なアプローチを見つけることができる。
比較分析は、最も優れたアプローチと、文学の多くの基盤として行われている。
実験の結果,Univariate Marginal Distribution Algorithm (UMDA) に基づく進化的手法は,多くのUCIデータセットにおいて最先端の文献的手法より優れていることがわかった。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - MISS: Multiclass Interpretable Scoring Systems [13.902264070785986]
MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。
MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。
結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
論文 参考訳（メタデータ） (2024-01-10T10:57:12Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - 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) - Ensemble pruning via an integer programming approach with diversity
constraints [0.0]
本稿では、二項分類問題を考察し、最適部分集合を選択する整数プログラミング(IP)アプローチを提案する。
アンサンブルにおける最小の多様性レベルを確保するための制約も提案する。
本手法は, 文学において最もよく使われている刈り取り法と比較して, 競争力のある結果をもたらす。
論文 参考訳（メタデータ） (2022-05-02T17:59:11Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Relearning ensemble selection based on new generated features [0.0]
提案手法は,3つのベンチマークデータセットと1つの合成データセットを用いて,最先端のアンサンブル手法と比較した。
提案手法の評価には4つの分類性能指標を用いる。
論文 参考訳（メタデータ） (2021-06-12T12:45:32Z) - SetConv: A New Approach for Learning from Imbalanced Data [29.366843553056594]
集合畳み込み操作とエピソード学習戦略を提案し,各クラスに1つの代表を抽出する。
提案アルゴリズムは入力順序に関わらず置換不変であることを示す。
論文 参考訳（メタデータ） (2021-04-03T22:33:30Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z) - Unbiased Subdata Selection for Fair Classification: A Unified Framework
and Scalable Algorithms [0.8376091455761261]
このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。
そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。
これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
論文 参考訳（メタデータ） (2020-12-22T21:09:38Z) - Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。
次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文 参考訳（メタデータ） (2020-04-01T09:55:18Z)
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。