Fugu-MT 論文翻訳(概要): Fuzzy Granular-Ball Computing Framework and Its Implementation in SVM

論文の概要: Fuzzy Granular-Ball Computing Framework and Its Implementation in SVM

arxiv url: http://arxiv.org/abs/2210.11675v1
Date: Fri, 21 Oct 2022 02:03:52 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 13:51:47.253182
Title: Fuzzy Granular-Ball Computing Framework and Its Implementation in SVM
Title（参考訳）: ファジィ粒界計算フレームワークとそのSVMにおける実装
Authors: Shuyin Xia, Xiaoyu Lian, Yabin Shao
Abstract要約: 本稿ではファジィ集合に粒度計算を導入することによりファジィ粒度計算分類器の枠組みを提案する。計算フレームワークは、ポイントではなくグラニュラーボール入力に基づいている。フレームワークはファジィサポートベクトルマシン(FSVM)に拡張され、グラニュラーボールファジィSVM(GBFSVM)が導出される。
参考スコア（独自算出の注目度）: 0.8916420423563476
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most existing fuzzy computing methods use points as input, which is the finest granularity from the perspective of granular computing. Consequently, these classifiers are neither efficient nor robust to label noise. Therefore, we propose a framework for a fuzzy granular-ball computational classifier by introducing granular-ball computing into fuzzy set. The computational framework is based on the granular-balls input rather than points; therefore, it is more efficient and robust than traditional fuzzy methods. Furthermore, the framework is extended to the fuzzy support vector machine (FSVM), and granular ball fuzzy SVM (GBFSVM) is derived. The experimental results demonstrate the effectiveness and efficiency of GBFSVM.
Abstract（参考訳）: 既存のファジィ計算法の多くは点を入力として使用しており、これは粒度計算の観点から最も細かい粒度である。したがって、これらの分類器はノイズのラベル付けに効率的でもロバストでもない。そこで我々はファジィ集合に粒度計算を導入することによりファジィ粒度計算分類器の枠組みを提案する。計算フレームワークは点ではなく粒状球の入力に基づいているため、従来のファジィ法よりも効率的で堅牢である。さらに、このフレームワークをファジィサポートベクトルマシン(FSVM)に拡張し、粒状ファジィSVM(GBFSVM)を導出する。実験の結果,GBFSVMの有効性と有効性を示した。

関連論文リスト

GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing [48.33779268699777]
ファジィ粗セット理論は複雑な属性を持つデータセットを処理するのに有効である。既存のモデルのほとんどは最も細かい粒度で動作しており、非効率でノイズに敏感である。本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
論文参考訳（メタデータ） (2025-01-30T15:09:26Z)
Granular Ball Twin Support Vector Machine with Universum Data [4.573310303307945]
大学データを用いた新しいグラニュラーボールツインサポートベクトルマシン(GBU-TSVM)を提案する。提案したGBU-TSVMは,データインスタンスを特徴空間のポイントではなく,ハイパーボールとして表現する。データポイントをグラニュラーボールにグループ化することにより、計算効率の向上、耐雑音性の向上、解釈可能性の向上を実現している。
論文参考訳（メタデータ） (2024-12-04T15:02:28Z)
Enhancing Robustness and Efficiency of Least Square Twin SVM via Granular Computing [0.2999888908665658]
機械学習の分野では、最小二乗サポートベクターマシン(LSTSVM)が最先端モデルの1つとして際立っている。 LSTSVMはノイズやインバージョンに対する感受性に悩まされており、リサンプリングの原則と不安定さを見落としている。そこで我々は,従来のデータポイントの代わりに粒状球を用いて学習した,頑健な粒状球 LSTSVM (GBLSTSVM) を提案する。
論文参考訳（メタデータ） (2024-10-22T18:13:01Z)
Granular-Balls based Fuzzy Twin Support Vector Machine for Classification [12.738411525651667]
本稿では,2つのサポートベクタマシン(TWSVM)とグラニュラーボールコンピューティング(GBC)を統合した,グラニュラーボールツインサポートベクタマシン(GBTWSVM)の分類手法を提案する。 Pythagorean fuzzy set を用いて粒状球のメンバシップと非メンバシップ機能を設計し,各領域における粒状球の寄与を区別する。
論文参考訳（メタデータ） (2024-08-01T16:43:21Z)
Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-09T03:55:09Z)
Multiplierless In-filter Computing for tinyML Platforms [6.878219199575747]
In-filter音響分類のための新しいマルチプライヤレスフレームワークを提案する。我々は、近似誤差を緩和するバックプロパゲーションを含む、MPベースの近似をトレーニングに用いている。このフレームワークは、1Kスライス未満の従来の分類フレームワークよりも効率的である。
論文参考訳（メタデータ） (2023-04-24T04:33:44Z)
Granular-ball computing: an efficient, robust, and interpretable adaptive multi-granularity representation and computation method [54.2899493638937]
人間の認知は「グローバルファースト」認知メカニズムで動作し、粗い詳細に基づいて情報処理を優先順位付けする。解析パターンは、最も微細な粒度と単一粒度に依存するため、既存の計算手法のほとんどは効率が悪く、堅牢で、解釈可能である。多粒度グラニュラーボールコンピューティングは、サンプル空間を適度に表現し包み込むために、様々な大きさのグラニュラーボールを使用する。グラニュラーボールコンピューティングは、AIにおいてまれで革新的な理論的アプローチであり、効率性、堅牢性、解釈可能性を適応的かつ同時に向上させることができる。
論文参考訳（メタデータ） (2023-04-21T03:26:29Z)
Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
論文参考訳（メタデータ） (2023-03-07T01:52:55Z)
GBMST: An Efficient Minimum Spanning Tree Clustering Based on Granular-Ball Computing [78.92205914422925]
多粒度グラニュラバルと最小スパンニングツリー(MST)を組み合わせたクラスタリングアルゴリズムを提案する。粒度が粗い粒状ボールを構築し,さらに粒状ボールとMSTを用いて「大規模優先度」に基づくクラスタリング手法を実装した。いくつかのデータセットの実験結果は、アルゴリズムの威力を示している。
論文参考訳（メタデータ） (2023-03-02T09:04:35Z)
An Efficient and Adaptive Granular-ball Generation Method in Classification Problem [69.02474089703678]
グラニュラーボールコンピューティングは、グラニュラーコンピューティングのための効率的で堅牢でスケーラブルな学習方法である。本稿では,$k$-meansを置き換えるために,ディビジョンを用いたグラニュラーボール生成を高速化する手法を提案する。従来の方法と同様の精度を確保しつつ、グラニュラーボール生成の効率を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-01-12T07:26:19Z)

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。