論文の概要: FEMDA: a unified framework for discriminant analysis
- arxiv url: http://arxiv.org/abs/2311.07518v1
- Date: Mon, 13 Nov 2023 17:59:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 13:08:40.402964
- Title: FEMDA: a unified framework for discriminant analysis
- Title(参考訳): FEMDA: 識別分析のための統合フレームワーク
- Authors: Pierre Houdouin, Matthieu Jonckheere, Frederic Pascal
- Abstract要約: 非ガウスデータセットを扱うための新しいアプローチを提案する。
考慮されているモデルは、任意のスケールパラメータを持つクラスタ毎の任意の対称性(ES)分布である。
新しい決定規則を導出することにより,最大値のパラメータ推定と分類が,最先端手法と比較してシンプルで効率的で堅牢であることを示す。
- 参考スコア(独自算出の注目度): 4.6040036610482655
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Although linear and quadratic discriminant analysis are widely recognized
classical methods, they can encounter significant challenges when dealing with
non-Gaussian distributions or contaminated datasets. This is primarily due to
their reliance on the Gaussian assumption, which lacks robustness. We first
explain and review the classical methods to address this limitation and then
present a novel approach that overcomes these issues. In this new approach, the
model considered is an arbitrary Elliptically Symmetrical (ES) distribution per
cluster with its own arbitrary scale parameter. This flexible model allows for
potentially diverse and independent samples that may not follow identical
distributions. By deriving a new decision rule, we demonstrate that
maximum-likelihood parameter estimation and classification are simple,
efficient, and robust compared to state-of-the-art methods.
- Abstract(参考訳): 線形および二次判別分析は古典的手法として広く認知されているが、非ガウス分布や汚染データセットを扱う際には重大な課題に直面することがある。
これは主に、強固さを欠いたガウスの仮定に依存するためである。
まず、この制限に対処するための古典的手法を説明し、レビューし、これらの問題を克服する新しいアプローチを示す。
この新しいアプローチでは、このモデルは任意のスケールパラメータを持つクラスタごとの任意の楕円対称(es)分布であると考えられる。
このフレキシブルモデルは、同一分布に従わない、潜在的に多様で独立したサンプルを可能にする。
新しい決定規則を導出することにより,最大値のパラメータ推定と分類が,最先端手法と比較してシンプルで効率的で堅牢であることを示す。
関連論文リスト
- Transfer learning via Regularized Linear Discriminant Analysis [2.321323878201932]
本稿では,正規化ランダム効果線形判別分析による新しい伝達学習手法を提案する。
これらの重みの値とそれに伴う分類誤差率を高次元設定で導出する。
論文 参考訳(メタデータ) (2025-01-05T01:25:37Z) - Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。
本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-05T16:35:30Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳(メタデータ) (2023-11-10T08:50:28Z) - FEMDA: Une m\'ethode de classification robuste et flexible [0.8594140167290096]
本稿では,新しい識別分析手法のデータのスケール変化に対するロバスト性について検討する。
導出された新しい決定ルールは、他の最先端の方法と比較して、データのスケール変更が簡単で、高速で、堅牢である。
論文 参考訳(メタデータ) (2023-07-04T23:15:31Z) - Robust classification with flexible discriminant analysis in
heterogeneous data [0.7646713951724009]
本稿では、各データポイントを任意のスケールパラメータで描画する、新しいロバスト判別分析を提案する。
パラメータの最大値の推定と分類は、最先端の手法と比較して非常に単純で、高速で、堅牢である。
論文 参考訳(メタデータ) (2022-01-09T09:22:56Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳(メタデータ) (2020-09-29T12:50:33Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-22T21:12:31Z) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳(メタデータ) (2020-05-18T14:08:49Z) - Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。
提案手法は,個々の試料の重量を定義する確率モデルに基づく。
サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
論文 参考訳(メタデータ) (2020-04-08T19:40:53Z) - On Contrastive Learning for Likelihood-free Inference [20.49671736540948]
Likelihood-freeメソッドは、可能性を評価することができるシミュレータモデルでパラメータ推論を行う。
この可能性のない問題の方法の1つのクラスは、パラメータ観測サンプルのペアを区別するために分類器を使用する。
別の一般的な手法のクラスは、パラメータの後方に直接条件分布を適合させ、特に最近の変種はフレキシブルな神経密度推定器の使用を可能にする。
論文 参考訳(メタデータ) (2020-02-10T13:14:01Z)
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。