Fugu-MT 論文翻訳(概要): Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model

論文の概要: Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model

arxiv url: http://arxiv.org/abs/2210.03859v1
Date: Sat, 8 Oct 2022 00:47:50 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 15:15:44.897415
Title: Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model
Title（参考訳）: スパイク共分散モデルのスペクトル補正および正規化線形判別解析
Authors: Hua Li, Wenya Luo, Zhidong Bai, Huanchao Zhou, Zhangni Pu
Abstract要約: スペクトル補正・正規化線形判別分析(SCRLDA)と呼ばれる改良された線形判別分析を提案する。本手法は,サンプルスペクトル補正共分散行列の設計アイデアと正規化判別分析を統合する。
参考スコア（独自算出の注目度）: 2.2032684089694925
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose an improved linear discriminant analysis, called spectrally-corrected and regularized linear discriminant analysis (SCRLDA). This method integrates the design ideas of the sample spectrally-corrected covariance matrix and the regularized discriminant analysis. The SCRLDA method is specially designed for classification problems under the assumption that the covariance matrix follows a spiked model. Through the real and simulated data analysis, it is shown that our proposed classifier outperforms the classical R-LDA and can be as competitive as the KNN, SVM classifiers while requiring lower computational complexity.
Abstract（参考訳）: 本稿では,スペクトル補正および正規化線形判別分析(scrlda)と呼ばれる線形判別解析の改良を提案する。本手法は,サンプルスペクトル補正共分散行列の設計アイデアと正規化判別分析を統合する。 SCRLDA法は、共分散行列がスパイクモデルに従うという仮定の下で、分類問題のために特別に設計されている。実データ解析とシミュレーションデータ解析により,提案した分類器は古典的R-LDAよりも優れており,計算複雑性の低減を図りながら,KNN,SVM分類器と同等の競争力を持つことが示された。

関連論文リスト

Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文参考訳（メタデータ） (2024-02-14T16:10:42Z)
Regularized Linear Discriminant Analysis Using a Nonlinear Covariance Matrix Estimator [11.887333567383239]
線形判別分析(LDA)はデータ分類において広く用いられている手法である。 LDAは、データ共分散行列が不条件であるときに非効率になる。このような状況に対応するために正規化LDA法が提案されている。
論文参考訳（メタデータ） (2024-01-31T11:37:14Z)
Minimally Informed Linear Discriminant Analysis: training an LDA model with unlabelled data [51.673443581397954]
本研究では,LDAモデルからの正確な射影ベクトルを,ラベルのないデータに基づいて計算可能であることを示す。 MILDA投影ベクトルはLDAに匹敵する計算コストで閉じた形で計算可能であることを示す。
論文参考訳（メタデータ） (2023-10-17T09:50:31Z)
GO-LDA: Generalised Optimal Linear Discriminant Analysis [6.644357197885522]
線形判別分析はパターン認識やデータ解析の研究、実践において有用なツールである。多クラスLDAに対する一般化固有解析解は、直交判別方向を導出したり、それに沿った投影データの識別を最大化したりしないことを示す。
論文参考訳（メタデータ） (2023-05-23T23:11:05Z)
A Bi-level Nonlinear Eigenvector Algorithm for Wasserstein Discriminant Analysis [3.4806267677524896]
ワッサーシュタイン判別分析(Wasserstein discriminant analysis, WDA)は線形次元減少法である。 WDAは、データクラス間のグローバルとローカルの相互接続の両方を説明できる。 2レベル非線形固有ベクトルアルゴリズム(WDA-nepv)を示す。
論文参考訳（メタデータ） (2022-11-21T22:40:43Z)
Distributed Sparse Multicategory Discriminant Analysis [1.7223564681760166]
本稿では,スパースマルチカテゴリ線形判別分析のための凸定式化を提案し,複数のサイトにわたってデータが格納されている場合,それを分散環境に拡張する。理論的には、分散スパース多重カテゴリー線形判別分析が、数ラウンドの通信の後、集中バージョンと同等に機能することを保証する統計特性を確立する。
論文参考訳（メタデータ） (2022-02-22T14:23:33Z)
Weight Vector Tuning and Asymptotic Analysis of Binary Linear Classifiers [82.5915112474988]
本稿では,スカラーによる判別器の分解をパラメータ化することで,ジェネリックバイナリ線形分類器の重みベクトルチューニングを提案する。また,重みベクトルチューニングは,高推定雑音下での線形判別分析(LDA)の性能を著しく向上させることがわかった。
論文参考訳（メタデータ） (2021-10-01T17:50:46Z)
High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance Model [101.74172837046382]
そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
論文参考訳（メタデータ） (2020-06-25T12:00:26Z)
A Doubly Regularized Linear Discriminant Analysis Classifier with Automatic Parameter Selection [24.027886914804775]
線形判別分析(LDA)に基づく分類器は、訓練データのサイズが特徴数よりも小さい、あるいは同等であるような多くの実践的な設定で混乱する傾向にある。 R2LDAと表す2つの正規化LDA分類器を提案する。合成データと実データの両方から得られた結果は,提案したR2LDA手法の一貫性と有効性を示す。
論文参考訳（メタデータ） (2020-04-28T07:09:22Z)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)
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。