論文の概要: GBG++: A Fast and Stable Granular Ball Generation Method for Classification

• arxiv url: http://arxiv.org/abs/2305.18450v1
• Date: Mon, 29 May 2023 04:00:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 20:54:29.567228
• Title: GBG++: A Fast and Stable Granular Ball Generation Method for Classification
• Title（参考訳）: GBG++: 分類のための高速で安定なグラニュラーボール生成方法
• Authors: Qin Xie, Qinghua Zhang, Shuyin Xia, Fan Zhao, Chengying Wu, Guoyin Wang and Weiping Ding
• Abstract要約: グラニュラーボールコンピューティングは効率的で堅牢でスケーラブルな学習方法である。 既存のGBG法の安定性と効率をさらに改善する必要がある。 まず, 高速かつ安定なGBG (GBG++) 手法を提案する。
• 参考スコア（独自算出の注目度）: 13.713693509076736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Granular ball computing (GBC), as an efficient, robust, and scalable learning method, has become a popular research topic of granular computing. GBC includes two stages: granular ball generation (GBG) and multi-granularity learning based on the granular ball (GB). However, the stability and efficiency of existing GBG methods need to be further improved due to their strong dependence on $k$-means or $k$-division. In addition, GB-based classifiers only unilaterally consider the GB's geometric characteristics to construct classification rules, but the GB's quality is ignored. Therefore, in this paper, based on the attention mechanism, a fast and stable GBG (GBG++) method is proposed first. Specifically, the proposed GBG++ method only needs to calculate the distances from the data-driven center to the undivided samples when splitting each GB, instead of randomly selecting the center and calculating the distances between it to all samples. Moreover, an outlier detection method is introduced to identify local outliers. Consequently, the GBG++ method can significantly improve effectiveness, robustness, and efficiency while being absolutely stable. Second, considering the influence of the sample size within the GB on the GB's quality, based on the GBG++ method, a $k$-nearest neighbors algorithm (GB$k$NN++) which can reduce misclassification at class boundary to some extent is presented. Finally, the experimental results indicate that the proposed method outperforms several existing GB-based classifiers and classical machine learning classifiers on $20$ public benchmark data sets.
• Abstract（参考訳）: 粒度ボールコンピューティング(gbc)は、効率的で堅牢でスケーラブルな学習手法として、粒度計算の一般的な研究テーマとなっている。 GBCには、グラニュラーボール生成(GBG)とグラニュラーボール(GB)に基づく多粒度学習という2つの段階がある。 しかしながら、既存のGBG法の安定性と効率は、$k$-meansや$k$-divisionに強く依存するため、さらに改善する必要がある。 さらに、GBベースの分類器は、GBの幾何学的特徴を一方的に考慮して分類規則を構築するが、GBの品質は無視される。 そこで本研究では,注意機構に基づいて,高速かつ安定したGBG(GBG++)手法を提案する。 具体的には,各GBを分割する場合,データ駆動中心から未分割サンプルまでの距離を計算し,その中心をランダムに選択し,すべてのサンプルまでの距離を計算する。 さらに,局所的な外れ値を特定するために,外れ値検出手法を導入する。 その結果,GBG++法は絶対安定でありながら,有効性,堅牢性,効率性を著しく向上させることができる。 第2に、GB内のサンプルサイズがGBの品質に与える影響を考慮し、GBG++法に基づいて、クラス境界における誤分類をある程度低減できる$k$-nearest neighborsアルゴリズム(GB$k$NN++)を提示する。 最後に,提案手法が20ドルの公開ベンチマークデータセットにおいて,既存のgbベース分類器や古典的機械学習分類器を上回っていることを示す。

関連論文リスト

• GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
  粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。 GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。 グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
  論文  参考訳（メタデータ） (2024-10-17T07:32:05Z)
• GB-RVFL: Fusion of Randomized Neural Network and Granular Ball Computing [0.0]
  ランダムベクトル汎関数リンク(RVFL)ネットワークは、強力な一般化能力を持つ顕著な分類モデルである。 トレーニングサンプルの代わりに粒状球(GB)を入力として使用する粒状球RVFL(GB-RVFL)モデルを提案する。 提案したGB-RVFLおよびGE-GB-RVFLモデルは,KEEL,UCI,NDC,バイオメディカルデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-09-25T08:33:01Z)
• A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
  我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。 本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-07-03T08:54:45Z)
• Generation of Granular-Balls for Clustering Based on the Principle of Justifiable Granularity [51.58924743533048]
  本稿では,クラスタリングタスクのための新しいGB生成手法を紹介する。 GB のカバレッジと特異性を定義し,GB 品質を評価するための包括的尺度を導入する。 従来のGB生成手法と比較して、新しい手法は生成したGBの全体的な品質を最大化する。
  論文  参考訳（メタデータ） (2024-05-11T04:21:32Z)
• 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)
• Rethinking and Scaling Up Graph Contrastive Learning: An Extremely Efficient Approach with Group Discrimination [87.07410882094966]
  グラフコントラスト学習(GCL)は、グラフ表現学習(GRL)におけるラベル情報への依存度を緩和する 自己教師型GRLのための新しい学習パラダイム、すなわちグループ識別(GD)を導入する。 類似性計算の代わりに、GGDは単純なバイナリクロスエントロピー損失を持つ要約ノードインスタンスの2つのグループを直接識別する。 加えて、GGDは大規模データセット上でのGCL法と比較して、競争性能を得るために、はるかに少ないトレーニングエポックを必要とする。
  論文  参考訳（メタデータ） (2022-06-03T12:32:47Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)

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。

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。