論文の概要: Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural
Network for Class Imbalance Learning
- arxiv url: http://arxiv.org/abs/2307.07881v2
- Date: Fri, 16 Feb 2024 12:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 20:42:10.133929
- Title: Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural
Network for Class Imbalance Learning
- Title（参考訳）: クラス不均衡学習のためのグラフ埋め込み直観的ファジィ乱数ベクトル関数型ニューラルネットワーク
- Authors: M.A. Ganaie, M. Sajid, A.K. Malik, M. Tanveer
- Abstract要約: クラス不均衡学習(GE-IFRVFL-CIL)モデルのためのグラフ埋め込み直観的ファジィRVFLを提案する。
提案したGE-IFRVFL-CILモデルは、クラス不均衡問題に対処し、ノイズとアウトレーヤの有害な効果を軽減し、データセットの固有の幾何学的構造を保存するための有望な解決策を提供する。
- 参考スコア（独自算出の注目度）: 4.069144210024564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The domain of machine learning is confronted with a crucial research area
known as class imbalance learning, which presents considerable hurdles in
precise classification of minority classes. This issue can result in biased
models where the majority class takes precedence in the training process,
leading to the underrepresentation of the minority class. The random vector
functional link (RVFL) network is a widely used and effective learning model
for classification due to its good generalization performance and efficiency.
However, it suffers when dealing with imbalanced datasets. To overcome this
limitation, we propose a novel graph embedded intuitionistic fuzzy RVFL for
class imbalance learning (GE-IFRVFL-CIL) model incorporating a weighting
mechanism to handle imbalanced datasets. The proposed GE-IFRVFL-CIL model
offers plethora of benefits: $(i)$ leveraging graph embedding to preserve the
inherent topological structure of the datasets, $(ii)$ employing intuitionistic
fuzzy theory to handle uncertainty and imprecision in the data, $(iii)$ and the
most important, it tackles class imbalance learning. The amalgamation of a
weighting scheme, graph embedding, and intuitionistic fuzzy sets leads to the
superior performance of the proposed models on KEEL benchmark imbalanced
datasets with and without Gaussian noise. Furthermore, we implemented the
proposed GE-IFRVFL-CIL on the ADNI dataset and achieved promising results,
demonstrating the model's effectiveness in real-world applications. The
proposed GE-IFRVFL-CIL model offers a promising solution to address the class
imbalance issue, mitigates the detrimental effect of noise and outliers, and
preserves the inherent geometrical structures of the dataset.
- Abstract（参考訳）: 機械学習の領域は、クラス不均衡学習として知られる重要な研究領域に直面しており、マイノリティクラスの正確な分類においてかなりのハードルが生じる。
この問題は、多数派クラスがトレーニングプロセスで優先されるバイアス付きモデルとなり、少数派クラスの過小評価につながる可能性がある。
ランダムベクトル汎関数リンク(rvfl)ネットワークは、その一般化性能と効率性が良いため、広く使われている効果的な分類学習モデルである。
しかし、不均衡なデータセットを扱うときに苦しむ。
この制限を克服するために,クラス不均衡学習(ge-ifrvfl-cil)モデルのためのグラフ埋め込み直観的ファジィrvflを提案する。
提案されているGE-IFRVFL-CILモデルは、多くのメリットを提供している。
(i)$ データセット固有のトポロジ構造を保存するためにグラフ埋め込みを活用する$ $
(ii)データの不確実性と不正確性を扱うために直観的ファジィ理論を用いる$,$
(iii)一番重要なのは、クラス不均衡学習に取り組むことです。
重み付けスキーム,グラフ埋め込み,直観的ファジィ集合のアマルガメーションにより,KEELベンチマークの不均衡データセットにおいて,ガウス雑音のないモデルの方が優れた性能が得られる。
さらに,提案したGE-IFRVFL-CILをADNIデータセット上に実装し,実世界の応用におけるモデルの有効性を実証した。
提案されたge-ifrvfl-cilモデルは、クラス不均衡問題に対処するための有望な解決策を提供し、ノイズや外れ値の影響を緩和し、データセット固有の幾何学的構造を保存する。
関連論文リスト
- Intuitionistic Fuzzy Universum Twin Support Vector Machine for Imbalanced Data [0.0]
機械学習手法の大きな問題の1つは、不均衡なデータセットを分類することである。
不均衡データ(IFUTSVM-ID)のための直観的ファジィユニバームツインサポートベクトルマシンを提案する。
雑音や外周の影響を軽減するため,直観主義的なファジィ・メンバシップ・スキームを用いる。
論文 参考訳（メタデータ） (2024-10-27T04:25:42Z) - Class-Balanced and Reinforced Active Learning on Graphs [13.239043161351482]
グラフニューラルネットワーク(GNN)は、ノード分類、リンク予測、グラフ分類など、さまざまなアプリケーションで大きな成功を収めている。
GNNのアクティブラーニングは、ラベルのないデータから貴重なサンプルを照会して、GNNのパフォーマンスを低コストで最大化することを目的としている。
GNNにおける強化能動学習のための既存のアルゴリズムは、特に高度に歪んだクラスシナリオにおいて、高度に不均衡なクラス分布をもたらす可能性がある。
我々は、GNNのための新しいクラスバランスと強化されたアクティブラーニングフレームワーク、すなわちGCBRを提案し、クラスバランスと情報ノードを取得するための最適なポリシーを学習する。
論文 参考訳（メタデータ） (2024-02-15T16:37:14Z) - An extended asymmetric sigmoid with Perceptron (SIGTRON) for imbalanced linear classification [0.0]
本稿では、SIGTRONと呼ばれる新しいパラメータ化シグモノイドと、SIGTRON不均衡分類(SIC)モデルと呼ばれる同伴凸モデルを提案する。
従来の$pi$重み付きコスト依存学習モデルとは対照的に、SICモデルは損失関数に外部の$pi$重みを持たない。
提案したSICモデルは,データセットのバリエーションに適応可能であることを示す。
論文 参考訳（メタデータ） (2023-12-26T13:14:17Z) - Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。
本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。
我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
論文 参考訳（メタデータ） (2023-08-27T19:01:29Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - Stabilizing and Improving Federated Learning with Non-IID Data and
Client Dropout [15.569507252445144]
ラベル分布スキューによるデータヘテロジェニーティは、フェデレート学習におけるモデル性能を制限する重要な障害であることが示されている。
クロスエントロピー損失を計算するための事前校正ソフトマックス関数を導入することで、シンプルで効果的なフレームワークを提案する。
非IIDデータとクライアントドロップアウトの存在下で、既存のベースラインよりも優れたモデル性能を示す。
論文 参考訳（メタデータ） (2023-03-11T05:17:59Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。
我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。
複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
論文 参考訳（メタデータ） (2021-06-17T11:41:30Z) - AdaGCN:Adaptive Boosting Algorithm for Graph Convolutional Networks on
Imbalanced Node Classification [10.72543417177307]
AdaGCNと呼ばれるアンサンブルモデルを提案する。このモデルでは,アダプティブ・ブーピング時のベース推定にグラフ畳み込みネットワーク(GCN)を用いる。
我々のモデルは、考慮すべきノード分類タスクのすべてにおいて、最先端のベースラインも改善します。
論文 参考訳（メタデータ） (2021-05-25T02:43:31Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z)
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。