論文の概要: Localisation of Regularised and Multiview Support Vector Machine
Learning
- arxiv url: http://arxiv.org/abs/2304.05655v2
- Date: Sun, 10 Dec 2023 10:31:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 02:57:18.383406
- Title: Localisation of Regularised and Multiview Support Vector Machine
Learning
- Title(参考訳): 正規化・多視点支援ベクトル機械学習のローカライズ
- Authors: Aurelian Gheondea and Cankat Tilki
- Abstract要約: 正規化および多視点支援ベクトル機械学習問題の局所化版に対するいくつかの代表者定理を証明した。
一般のフレームワークは、いくつかの特別な場合において無限次元の入力空間と非損失関数を許容することを示します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We prove a few representer theorems for a localised version of the
regularised and multiview support vector machine learning problem introduced by
H.Q.~Minh, L.~Bazzani, and V.~Murino, \textit{Journal of Machine Learning
Research}, \textbf{17}(2016) 1--72, that involves operator valued positive
semidefinite kernels and their reproducing kernel Hilbert spaces. The results
concern general cases when convex or nonconvex loss functions and finite or
infinite dimensional input spaces are considered. We show that the general
framework allows infinite dimensional input spaces and nonconvex loss functions
for some special cases, in particular in case the loss functions are G\^ateaux
differentiable. Detailed calculations are provided for the exponential least
squares loss functions that leads to partially nonlinear problems.
- Abstract(参考訳): 我々は、H.Q.~Minh, L によって導入された正規化および多視点支援ベクトル機械学習問題の局所化バージョンに対するいくつかの代表者定理を証明した。
〜bazzani,v。
~murino, \textit{journal of machine learning research}, \textbf{17}(2016) 1--72, 演算子値の正の半定義核とその再生成核ヒルベルト空間を含む。
結果は、凸または非凸損失函数と有限または無限次元の入力空間を考える場合の一般的な場合に関する。
一般化されたフレームワークは無限次元の入力空間と非凸損失関数を特別な場合、特に損失関数が g\^ateaux 微分可能である場合に許容する。
部分非線形問題につながる指数最小二乗損失関数について、詳細な計算が提供される。
関連論文リスト
- Quantum metrology with linear Lie algebra parameterisations [0.0]
我々は、線形微分方程式をもたらす量子フィッシャー情報に対する新しいリー代数展開を提供する。
これにより、多くの気象問題に関わる計算が大幅に削減される。
量子光学および非線形光学における問題に適用されたこれらの手法の詳細な例を示す。
論文 参考訳(メタデータ) (2023-11-21T08:58:34Z) - Approximation of optimization problems with constraints through kernel
Sum-Of-Squares [77.27820145069515]
我々は、点的不等式が非負の kSoS 関数のクラス内で等式となることを示す。
また, 等式制約に焦点をあてることで, 散乱不等式を用いることで, 制約のサンプリングにおける次元性の呪いを軽減することができることを示す。
論文 参考訳(メタデータ) (2023-01-16T10:30:04Z) - Regularized ERM on random subspaces [17.927376388967144]
我々は、Nystromがカーネルメソッドに近づいた特殊なケースとして、データのランダムなサブセットにまたがるデータ依存部分空間を考える。
ランダムな部分空間を考えると自然に計算上の節約につながるが、問題は対応する学習精度が劣化するかどうかである。
論文 参考訳(メタデータ) (2022-12-04T16:12:11Z) - Max-Margin Works while Large Margin Fails: Generalization without
Uniform Convergence [55.26547500184405]
既存のツールでは、テストの損失がトレーニングの損失に近いことを保証し、候補モデルのクラスを均一に制御するエム統一コンバージェンス(UC)に依存している。
Nagarajan と Kolter は、ある単純な線形および神経ネットワークの設定において、任意の一様収束境界は空であり、UC が失敗する環境での一般化の証明方法に関する疑問を解き放つことを示している。
我々は、ある信号対雑音のしきい値を超えると、これらの2つの設定でほぼテスト損失が得られないことを示す新しいタイプのマージン境界を証明した。
論文 参考訳(メタデータ) (2022-06-16T02:46:26Z) - On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。
分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2022-02-28T13:01:04Z) - Fine-grained Generalization Analysis of Vector-valued Learning [28.722350261462463]
正規化ベクトル値学習アルゴリズムの一般化解析を,出力次元に軽度依存する境界とサンプルサイズに高速速度を提示することで開始する。
最適化と学習の相互作用を理解するために、結果を使用して、ベクトル値関数による降下の最初の境界を導出します。
副生成物として、一般凸函数の項で定義される損失関数クラスに対してラデマッハ複雑性を導出する。
論文 参考訳(メタデータ) (2021-04-29T07:57:34Z) - Minimax Estimation of Linear Functions of Eigenvectors in the Face of
Small Eigen-Gaps [95.62172085878132]
固有ベクトル摂動解析は様々な統計データ科学の応用において重要な役割を果たす。
未知の固有ベクトルの任意の線型関数の摂動を特徴付ける統計理論の一組を開発する。
自然の「プラグイン」推定器に固有の非無視バイアス問題を緩和するために,非バイアス推定器を開発する。
論文 参考訳(メタデータ) (2021-04-07T17:55:10Z) - High-Dimensional Gaussian Process Inference with Derivatives [90.8033626920884]
低データ状態の$ND$では、Gram行列は$mathcalO(N2D + (N2)3)$に推論のコストを下げる方法で分解できることを示す。
最適化や予測勾配を持つハミルトニアンモンテカルロなど、機械学習に関連する様々なタスクでこの可能性を実証する。
論文 参考訳(メタデータ) (2021-02-15T13:24:41Z) - Dimension Free Generalization Bounds for Non Linear Metric Learning [61.193693608166114]
我々はスパース体制と非スパース体制という2つの体制に対して一様一般化境界を提供する。
解の異なる新しい性質を頼りにすることで、次元自由一般化保証を提供することができることを示す。
論文 参考訳(メタデータ) (2021-02-07T14:47:00Z) - Regularized ERM on random subspaces [18.541369654442796]
我々は、データのランダムなサブセットにまたがるデータ依存部分空間を、カーネルメソッドに対するNystr"omアプローチの特別なケースとして、リカバリする可能性があると考えている。
ランダムな部分空間を考えると自然に計算上の節約につながるが、問題は対応する学習精度が劣化するかどうかである。
論文 参考訳(メタデータ) (2020-06-17T17:21:33Z) - Finding the Sparsest Vectors in a Subspace: Theory, Algorithms, and
Applications [34.269044536641665]
低次元部分空間におけるスパースベクトル(方向)を求める問題はスパース回復問題の同種変種と見なすことができる。
低次元部分空間におけるスパースベクトル(方向)を求める問題はスパース回復問題の同種変種と見なすことができる。
論文 参考訳(メタデータ) (2020-01-20T04:48:43Z)
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。