論文の概要: GBSVM: Granular-ball Support Vector Machine

• arxiv url: http://arxiv.org/abs/2210.03120v2
• Date: Sun, 11 Feb 2024 16:02:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 01:43:09.499960
• Title: GBSVM: Granular-ball Support Vector Machine
• Title（参考訳）: gbsvm:粒球支持ベクターマシン
• Authors: Shuyin Xia, Xiaoyu Lian, Guoyin Wang, Xinbo Gao, Jiancu Chen, Xiaoli Peng
• Abstract要約: GBSVMは、単一データポイントではなく、グラニュラーボールの粗粒度を入力として使用する分類器を構築するための重要な試みである。 本稿では,既存のGBSVMの原モデルの誤りを修正し,その二重モデルを導出する。 UCIベンチマークデータセットの実験結果は、GBSVMが堅牢性と効率性に優れていることを示している。
• 参考スコア（独自算出の注目度）: 46.60182022640765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: GBSVM (Granular-ball Support Vector Machine) is a significant attempt to construct a classifier using the coarse-to-fine granularity of a granular-ball as input, rather than a single data point. It is the first classifier whose input contains no points. However, the existing model has some errors, and its dual model has not been derived. As a result, the current algorithm cannot be implemented or applied. To address these problems, this paper has fixed the errors of the original model of the existing GBSVM, and derived its dual model. Furthermore, a particle swarm optimization algorithm is designed to solve the dual model. The sequential minimal optimization algorithm is also carefully designed to solve the dual model. The solution is faster and more stable than the particle swarm optimization based version. The experimental results on the UCI benchmark datasets demonstrate that GBSVM has good robustness and efficiency. All codes have been released in the open source library at http://www.cquptshuyinxia.com/GBSVM.html or https://github.com/syxiaa/GBSVM.
• Abstract（参考訳）: GBSVM (Granular-ball Support Vector Machine) は1つのデータポイントではなく、グラニュラーボールの粗粒度を入力として使用する分類器を構築する重要な試みである。 入力が点を含まない最初の分類器である。 しかし、既存のモデルにはいくつかの誤りがあり、その双対モデルは導出されていない。 その結果、現在のアルゴリズムは実装も適用もできない。 これらの問題に対処するために,既存のGBSVMの原モデルの誤りを修正し,その二重モデルを導出する。 さらに、双対モデルを解くために粒子群最適化アルゴリズムが設計されている。 逐次最小最適化アルゴリズムは、双対モデルを解くために慎重に設計されている。 このソリューションは particle swarm optimization ベースのバージョンよりも高速で安定している。 UCIベンチマークデータセットの実験結果は、GBSVMが堅牢性と効率性に優れていることを示している。 すべてのコードは、http://www.cquptshuyinxia.com/GBSVM.htmlまたはhttps://github.com/syxiaa/GBSVMでオープンソースライブラリでリリースされた。

関連論文リスト

• Sparse L0-norm based Kernel-free Quadratic Surface Support Vector Machines [0.0]
  カーネルフリー2次曲面支援ベクトルマシン(SVM)モデルは、機械学習において大きな注目を集めている。 本稿では、オーバーフィッティングを緩和し、解釈可能性を高めるために、sparse $ell_0$-norm based Kernel-free quadratic surface SVMを提案する。 このフレームワークのサブプロブレムは閉形式解を許容するか、あるいは双対性理論を利用して計算効率を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-01-20T04:26:34Z)
• Simple and Provable Scaling Laws for the Test-Time Compute of Large Language Models [70.07661254213181]
  大規模言語モデルのテスト時間計算のための2つの原理的アルゴリズムを提案する。 理論的には、1つのアルゴリズムの故障確率は、そのテスト時間計算が大きくなるにつれて指数関数的に減衰する。
  論文  参考訳（メタデータ） (2024-11-29T05:29:47Z)
• Robust kernel-free quadratic surface twin support vector machine with capped $L_1$-norm distance metric [0.46040036610482665]
  本稿では,L_normカーネルフリーサーフェスツインサポートベクトルマシン(CL_QTSVM)を提案する。 キャップ付きL_norm距離メートル法を用いることで, モデルのロバスト性をさらに向上する。 提案手法を効率よく解くために反復アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-05-27T09:23:52Z)
• SqueezeLLM: Dense-and-Sparse Quantization [80.32162537942138]
  LLMにおける生成推論の主なボトルネックは、単一のバッチ推論のための計算ではなく、メモリ帯域幅である。 学習後量子化フレームワークであるSqueezeLLMを導入し、最大3ビットの超低精度でのロスレス圧縮を実現する。 本フレームワークは,2次情報に基づく最適ビット精度割当を探索する感度ベース非一様量子化法と,2次情報に基づくDense-and-Sparse分解法と,2次情報量割当値と感度重み値を効率的にスパース形式で格納するDense-and-Sparse分解法である。
  論文  参考訳（メタデータ） (2023-06-13T08:57:54Z)
• Sampling binary sparse coding QUBO models using a spiking neuromorphic processor [3.0586855806896045]
  画像のバイナリ表現を計算することの問題点を考察する。 我々は、与えられた入力を最もよく再構成する二進ベクトル最小セットの基底を見つけることを目指している。 これはいわゆる準非拘束バイナリ(QUBO)問題をもたらす。
  論文  参考訳（メタデータ） (2023-06-02T22:47:18Z)
• Monarch: Expressive Structured Matrices for Efficient and Accurate Training [64.6871423399431]
  大規模なニューラルネットワークは多くのドメインで優れているが、トレーニングや微調整は高価である。 計算やメモリ要件を減らすための一般的なアプローチは、重み付け行列を構造化行列に置き換えることである。 ハードウェア効率のよい行列(Monarch)のクラスを提案する。
  論文  参考訳（メタデータ） (2022-04-01T17:37:29Z)
• Memory and Computation-Efficient Kernel SVM via Binary Embedding and Ternary Model Coefficients [18.52747917850984]
  カーネル近似はカーネルSVMのトレーニングと予測のスケールアップに広く用いられている。 メモリ制限されたデバイスにデプロイしたい場合、カーネル近似モデルのメモリと計算コストはまだ高すぎる。 本稿では,バイナリ埋め込みとバイナリモデル係数を用いて,新しいメモリと計算効率の高いカーネルSVMモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T09:41:54Z)
• MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical Models [96.1052289276254]
  この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。 驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
  論文  参考訳（メタデータ） (2020-04-16T16:20:53Z)
• Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
  双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める 近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。 両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
  論文  参考訳（メタデータ） (2020-03-30T08:40:35Z)

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。