Fugu-MT 論文翻訳(概要): Localisation of Regularised and Multiview Support Vector Machine Learning

論文の概要: Localisation of Regularised and Multiview Support Vector Machine Learning

arxiv url: http://arxiv.org/abs/2304.05655v3
Date: Tue, 9 Jul 2024 07:43:12 GMT
ステータス: 翻訳完了
システム内更新日: 2024-07-11 00:40:48.438256
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, Cankat Tilki,
Abstract要約: 我々は、H.Q.、L. Bazzani、V. Murによって導入された正規化マルチビュー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近似を証明した。
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, Journal of Machine Learning Research, 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 Gateaux differentiable. Detailed calculations are provided for the exponential least square loss function that lead to partially nonlinear equations for which a particular unconstrained potential reduction Newton's approximation method can be used.
Abstract（参考訳）: 我々は、H.Q. Minh, L. Bazzani, V. Murino, Journal of Machine Learning Research, 17(2016) 1-72によって導入された正規化および多ビューサポートベクター機械学習問題の局所化バージョンに対するいくつかの表現定理を証明した。結果は、凸や非凸の損失関数や有限あるいは無限次元の入力空間が考慮される場合の一般的なケースに関係している。特に損失関数がガトー微分可能であれば、一般の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いくつかの特別な場合に対して許すことを示す。より詳細な計算は指数最小二乗損失関数に対して提供され、この関数は部分的に非線形方程式を導き、ニュートンの近似法を用いることができる。

関連論文リスト

Keep your distance: learning dispersed embeddings on $\mathbb{S}_d$ [9.708595749421022]
表現学習では、高次元空間における多くの特徴を扱うのが一般的である。本稿では,既存の手法の概要を述べるとともに,新しい接続を構築,類似性を強調する。汎用ドメイン上での分散のための効果的な代替正則化器として,K-Means の名声を持つロイズアルゴリズムのオンライン版を提案する。
論文参考訳（メタデータ） (2025-02-12T09:20:08Z)
DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [60.58067866537143]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
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)
Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文参考訳（メタデータ） (2023-01-16T02:57:37Z)
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)
Experimental Design for Linear Functionals in Reproducing Kernel Hilbert Spaces [102.08678737900541]
線形汎関数に対するバイアス認識設計のためのアルゴリズムを提供する。準ガウス雑音下での固定および適応設計に対する漸近的でない信頼集合を導出する。
論文参考訳（メタデータ） (2022-05-26T20:56:25Z)
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)
Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文参考訳（メタデータ） (2022-02-11T13:51:30Z)
Adjoint-aided inference of Gaussian process driven differential equations [0.8257490175399691]
本稿では,線形系の随伴性を用いて,GPとしてモデル化された強制関数を効率的に推論する方法を示す。常微分方程式と偏微分方程式の両方の系に対するアプローチを実証する。
論文参考訳（メタデータ） (2022-02-09T17:35:14Z)
Lifting the Convex Conjugate in Lagrangian Relaxations: A Tractable Approach for Continuous Markov Random Fields [53.31927549039624]
断片的な離散化は既存の離散化問題と矛盾しないことを示す。この理論を2つの画像のマッチング問題に適用する。
論文参考訳（メタデータ） (2021-07-13T12:31:06Z)
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)
Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文参考訳（メタデータ） (2020-12-09T20:19:32Z)
Regularised Least-Squares Regression with Infinite-Dimensional Output Space [8.556182714884567]
本稿では,ベクトル値再生カーネルヒルベルト空間(RKHS)回帰に関する学習理論について述べる。提案手法は,非コンパクト作用素に対するスペクトル理論を用いた積分作用素法に基づく。
論文参考訳（メタデータ） (2020-10-21T13:03:02Z)
Non-parametric Models for Non-negative Functions [48.7576911714538]
同じ良い線形モデルから非負関数に対する最初のモデルを提供する。我々は、それが表現定理を認め、凸問題に対する効率的な二重定式化を提供することを証明した。
論文参考訳（メタデータ） (2020-07-08T07:17:28Z)
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)

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。