論文の概要: Class Binarization to NeuroEvolution for Multiclass Classification
- arxiv url: http://arxiv.org/abs/2308.13876v1
- Date: Sat, 26 Aug 2023 13:26:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 18:26:21.234741
- Title: Class Binarization to NeuroEvolution for Multiclass Classification
- Title（参考訳）: 多クラス分類のための神経進化へのクラスバイナリ化
- Authors: Gongjin Lan, Zhenyu Gao, Lingyao Tong, Ting Liu
- Abstract要約: マルチクラス分類は、機械学習における基本的で挑戦的なタスクである。
多クラス分類をバイナリ分類の集合に分解することは、クラスバイナライゼーション(class binarization)と呼ばれる。
マルチクラス分類のための神経進化のクラスバイナライズ戦略を設計するために,誤り訂正出力符号(ECOC)を適用した新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 9.179400849826216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiclass classification is a fundamental and challenging task in machine
learning. The existing techniques of multiclass classification can be
categorized as (i) decomposition into binary (ii) extension from binary and
(iii) hierarchical classification. Decomposing multiclass classification into a
set of binary classifications that can be efficiently solved by using binary
classifiers, called class binarization, which is a popular technique for
multiclass classification. Neuroevolution, a general and powerful technique for
evolving the structure and weights of neural networks, has been successfully
applied to binary classification. In this paper, we apply class binarization
techniques to a neuroevolution algorithm, NeuroEvolution of Augmenting
Topologies (NEAT), that is used to generate neural networks for multiclass
classification. We propose a new method that applies Error-Correcting Output
Codes (ECOC) to design the class binarization strategies on the neuroevolution
for multiclass classification. The ECOC strategies are compared with the class
binarization strategies of One-vs-One and One-vs-All on three well-known
datasets Digit, Satellite, and Ecoli. We analyse their performance from four
aspects of multiclass classification degradation, accuracy, evolutionary
efficiency, and robustness. The results show that the NEAT with ECOC performs
high accuracy with low variance. Specifically, it shows significant benefits in
a flexible number of binary classifiers and strong robustness.
- Abstract（参考訳）: マルチクラス分類は、機械学習の基本的で困難なタスクである。
既存の多クラス分類のテクニックは、分類できる。
(i)二分体への分解
(ii)バイナリーからの拡張と
(iii)階層分類。
多クラス分類を二分分類器(class binarization)と呼ばれる二分分類器を用いて効率的に解くことのできる一組の二分分類に分解する。
ニューラルネットワークの構造と重みを進化させる汎用的で強力な技術である神経進化は、バイナリ分類に成功している。
本稿では,神経進化アルゴリズムであるneat(neuralevolution of augmenteding topologies)に対して,多クラス分類のためのニューラルネットワークを生成するためのクラスバイナリ化手法を適用する。
マルチクラス分類のための神経進化のクラスバイナライズ戦略を設計するために,誤り訂正出力符号(ECOC)を適用した新しい手法を提案する。
ECOC戦略は、Digit, Satellite, Ecoliの3つのよく知られたデータセット上で、One-vs-OneとOne-vs-Allのクラスバイナライズ戦略と比較される。
本研究では,マルチクラス分類の分解,精度,進化効率,ロバスト性という4つの側面からその性能を分析する。
その結果,ECOCを用いたNEATの精度は低ばらつきで高いことがわかった。
具体的には、柔軟なバイナリ分類器の数と強い堅牢性において大きなメリットがある。
関連論文リスト
- A Multi-Class SWAP-Test Classifier [0.0]
この研究は、そのバイナリ前駆体と最近の研究におけるラベル状態の使用に触発された最初のマルチクラスSWAP-Test分類器を示す。
従来の研究とは対照的に、必要な量子ビット数、測定戦略、使用する回路の位相はクラス数に不変である。
解析結果と数値シミュレーションの両方で、この分類器は多様な分類問題に適用されるだけでなく、特定の雑音に対して堅牢であることが示された。
論文 参考訳（メタデータ） (2023-02-06T18:31:43Z) - Bi-directional Feature Reconstruction Network for Fine-Grained Few-Shot
Image Classification [61.411869453639845]
クラス間およびクラス内変動を同時に対応できるバイコンストラクション機構を導入する。
この設計は、モデルがより微妙で差別的な特徴を探索するのに役立つ。
広範に使用されている3つのきめ細かな画像分類データセットに対する実験結果は、一貫して大幅に改善されている。
論文 参考訳（メタデータ） (2022-11-30T16:55:14Z) - Binary and Multinomial Classification through Evolutionary Symbolic
Regression [0.0]
GPClf, CartesianClf, ClaSyCoの3つの進化的シンボリック回帰に基づく二項および多項データセットの分類アルゴリズムを提案する。
162以上のデータセットをテストし、XGBoost、LightGBM、ディープニューラルネットワークという最先端の3つの機械学習アルゴリズムと比較して、私たちのアルゴリズムは競争力があると考えています。
論文 参考訳（メタデータ） (2022-06-25T18:38:40Z) - 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) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳（メタデータ） (2021-11-18T06:58:19Z) - Comparison of machine learning and deep learning techniques in promoter
prediction across diverse species [1.8899300124593648]
3つの高等真核生物のゲノム配列を用いたベクターエンコーディング法とプロモーター分類法を検討した。
酵母、A. タリアナおよび人間。
cnnは非プロモーター配列からのプロモーターの分類(バイナリ分類)やプロモーター配列の種別分類(マルチクラス分類)において優れていることがわかった。
論文 参考訳（メタデータ） (2021-05-17T08:15:41Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - Conditional Classification: A Solution for Computational Energy
Reduction [2.182419181054266]
本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。
提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
論文 参考訳（メタデータ） (2020-06-29T03:50:39Z) - Adversarial Multi-Binary Neural Network for Multi-class Classification [19.298875915675502]
マルチタスクフレームワークを使用して、マルチクラス分類に対処する。
我々は,クラス固有の特徴とクラスに依存しない特徴を識別するために,対人訓練を実践する。
論文 参考訳（メタデータ） (2020-03-25T02:19:17Z) - Learning Class Regularized Features for Action Recognition [68.90994813947405]
本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。
動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
論文 参考訳（メタデータ） (2020-02-07T07:27:49Z)
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。