論文の概要: Multi-class Support Vector Machine with Maximizing Minimum Margin

• arxiv url: http://arxiv.org/abs/2312.06578v2
• Date: Fri, 15 Dec 2023 02:50:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 18:26:51.686679
• Title: Multi-class Support Vector Machine with Maximizing Minimum Margin
• Title（参考訳）: 最小マージンを最大化するマルチクラスサポートベクトルマシン
• Authors: Feiping Nie, Zhezheng Hao, Rong Wang
• Abstract要約: Support Vector Machine (SVM) は、パターン認識タスクに広く応用されている機械学習技術である。 本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。 実験により,提案手法の有効性と優位性を示す。
• 参考スコア（独自算出の注目度）: 67.51047882637688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Support Vector Machine (SVM) stands out as a prominent machine learning technique widely applied in practical pattern recognition tasks. It achieves binary classification by maximizing the "margin", which represents the minimum distance between instances and the decision boundary. Although many efforts have been dedicated to expanding SVM for multi-class case through strategies such as one versus one and one versus the rest, satisfactory solutions remain to be developed. In this paper, we propose a novel method for multi-class SVM that incorporates pairwise class loss considerations and maximizes the minimum margin. Adhering to this concept, we embrace a new formulation that imparts heightened flexibility to multi-class SVM. Furthermore, the correlations between the proposed method and multiple forms of multi-class SVM are analyzed. The proposed regularizer, akin to the concept of "margin", can serve as a seamless enhancement over the softmax in deep learning, providing guidance for network parameter learning. Empirical evaluations demonstrate the effectiveness and superiority of our proposed method over existing multi-classification methods.Code is available at https://github.com/zz-haooo/M3SVM.
• Abstract（参考訳）: サポートベクターマシン(svm)は、実用的なパターン認識タスクに広く適用される機械学習技術として際立っている。 インスタンスと決定境界の間の最小距離を表す "margin" を最大化することでバイナリ分類を実現する。 マルチクラスのケースに対するsvmの拡張には、1対1、その他に対する戦略など多くの努力がなされているが、十分なソリューションは開発されていない。 本稿では,クラス損失のペア化と最小マージンの最大化を両立するマルチクラスSVMの新たな手法を提案する。 この概念に則り、マルチクラスSVMの柔軟性を高める新しい定式化を受け入れます。 さらに,提案手法と複数種類のマルチクラスSVMの相関関係について検討した。 提案した正規化器は、"margin"の概念に似ており、深層学習におけるソフトマックスをシームレスに拡張し、ネットワークパラメータ学習のためのガイダンスを提供する。 実証的な評価は、既存のマルチクラス化メソッドよりも提案手法の有効性と優れていることを示している。

関連論文リスト

• Majorization-Minimization for sparse SVMs [46.99165837639182]
  サポートベクタマシン(SVM)は、数十年前に教師付きフレームワークの下でバイナリ分類タスクを実行するために導入された。 それらはしばしば他の教師付き手法よりも優れており、マシンラーニング分野において最も一般的なアプローチの1つである。 本研究では,スムーズなスパースプロモーティング型正方形ヒンジ損失最小化によるSVMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2023-08-31T17:03:16Z)
• An alternative to SVM Method for Data Classification [0.0]
  サポートベクトルマシン(SVM)は、データ分類のための一般的なカーネル手法である。 この方法は、時間処理、高次元ケースにおける最適化プロセスの失敗のリスクなど、いくつかの弱点に悩まされている。 本稿では, 上記の欠点を微妙に改善した, 類似性能の代替手法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T14:09:01Z)
• Enhancing Pattern Classification in Support Vector Machines through Matrix Formulation [0.0]
  既存のSVMベースのモデルにおけるベクトルベースの定式化への依存は、柔軟性と、特定の問題に対処するために追加用語を組み込むことの容易さに関する制限を生じさせる。 我々はこれらの制約を効果的に解決するSVMの行列定式化を導入する。 マルチラベルおよびマルチクラスデータセットの実験的評価は、Matrix SVMがより優れた時間効率を実現することを示す。
  論文  参考訳（メタデータ） (2023-07-18T15:56:39Z)
• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
  サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
  論文  参考訳（メタデータ） (2021-02-23T20:22:56Z)
• A fast learning algorithm for One-Class Slab Support Vector Machines [1.1613446814180841]
  本稿では,SMO (Sequential Minimal Optimization) を用いた一級スラブSVMの高速トレーニング手法を提案する。 その結果、このトレーニング手法は、他の準計画法(QP)の解法よりも、大規模なトレーニングデータに対してより優れたスケールが可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-06T09:16:39Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)
• A Unified Framework for Multiclass and Multilabel Support Vector Machines [6.425654442936364]
  マルチクラスおよびマルチラベルの分類問題に対処するために,SVM の簡単な拡張を提案する。 本フレームワークは, 従来のソフトマージンSVMフレームワークから, 直接反対構造で逸脱する。 その結果,マルチクラス分類問題とマルチラベル分類問題の両方に対する競合型分類器が示された。
  論文  参考訳（メタデータ） (2020-03-25T03:08:41Z)

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。