論文の概要: Iterated Relevance Matrix Analysis (IRMA) for the identification of
class-discriminative subspaces
- arxiv url: http://arxiv.org/abs/2401.12842v1
- Date: Tue, 23 Jan 2024 15:23:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 15:20:59.144756
- Title: Iterated Relevance Matrix Analysis (IRMA) for the identification of
class-discriminative subspaces
- Title（参考訳）: クラス識別部分空間の同定のための反復関連行列解析(IRMA)
- Authors: Sofie L\"ovdal and Michael Biehl
- Abstract要約: 本稿では,一般化行列学習ベクトルQuantizatonの分類問題における特徴関連性解析への反復的適用について検討する。
提案した反復関係行列解析(IRMA)は,検討されたデータセットの分類特化情報を表す線形部分空間を同定する。
以前同定された全ての部分空間を投影しながら、新しい識別部分空間を反復的に決定することにより、すべてのクラス固有の情報を含む結合部分空間を見つけることができる。
- 参考スコア（独自算出の注目度）: 1.0152838128195467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce and investigate the iterated application of Generalized Matrix
Learning Vector Quantizaton for the analysis of feature relevances in
classification problems, as well as for the construction of
class-discriminative subspaces. The suggested Iterated Relevance Matrix
Analysis (IRMA) identifies a linear subspace representing the classification
specific information of the considered data sets using Generalized Matrix
Learning Vector Quantization (GMLVQ). By iteratively determining a new
discriminative subspace while projecting out all previously identified ones, a
combined subspace carrying all class-specific information can be found. This
facilitates a detailed analysis of feature relevances, and enables improved
low-dimensional representations and visualizations of labeled data sets.
Additionally, the IRMA-based class-discriminative subspace can be used for
dimensionality reduction and the training of robust classifiers with
potentially improved performance.
- Abstract（参考訳）: 本稿では,一般化行列学習ベクトルQuantizatonの分類問題における特徴関連性の解析およびクラス識別部分空間の構築における反復的応用について検討する。
提案した反復関係行列解析(IRMA)は、一般化行列学習ベクトル量子化(GMLVQ)を用いて、検討データセットの分類特化情報を表す線形部分空間を同定する。
以前同定された全ての部分空間を投影しながら、新しい識別部分空間を反復的に決定することにより、すべてのクラス固有の情報を含む結合部分空間を見つけることができる。
これにより、特徴関連性の詳細な解析が容易になり、ラベル付きデータセットの低次元表現と視覚化が向上する。
さらに、IRMAベースのクラス識別サブ空間は、次元の減少や、潜在的に性能が向上したロバストな分類器の訓練に利用できる。
関連論文リスト
- Boosting of Classification Models with Human-in-the-Loop Computational Visual Knowledge Discovery [2.9465623430708905]
本稿では, クラス重複領域のすべてのケースに対して, 誤分類事例のみに焦点をあてることから, クラス重複領域への移動促進手法を提案する。
分割と分類のプロセスは、ケースを単純で複雑なものに分割し、計算分析とデータの視覚化を通じて個別に分類する。
純粋なクラス領域と重複クラス領域を見つけた後、純粋な領域における単純なケースを分類し、命題論理や一階論理などの決定規則のような解釈可能なサブモデルを生成する。
論文 参考訳（メタデータ） (2025-02-10T21:09:19Z) - Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。
本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文 参考訳（メタデータ） (2024-02-14T16:10:42Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳（メタデータ） (2021-10-31T16:15:09Z) - Hierarchical Subspace Learning for Dimensionality Reduction to Improve
Classification Accuracy in Large Data Sets [0.0]
大規模データセットの分類を3%から10%の範囲で改善することを目的として,階層的手法による部分空間学習手法のスケールアップが提案されている。
提案手法は,異なる固有値に基づく部分空間学習法を用いて,公開可能な5つの大規模データセットに対して評価する。
その結果,分類精度は階層的アプローチの有効性を示し,分類精度が平均5%向上したことを報告した。
論文 参考訳（メタデータ） (2021-05-25T15:15:12Z) - Stochastic Mutual Information Gradient Estimation for Dimensionality
Reduction Networks [11.634729459989996]
エンドツーエンドのニューラルネットワークトレーニングアプローチとして,情報理論的特徴変換プロトコルを導入する。
本稿では,相互情報勾配の推定に基づく次元還元ネットワーク(MMINET)のトレーニング手法を提案する。
本手法を高次元生物データセットに適用して実験的に評価し,従来の特徴選択アルゴリズムと関連付ける。
論文 参考訳（メタデータ） (2021-05-01T08:20:04Z) - Nonlinear ISA with Auxiliary Variables for Learning Speech
Representations [51.9516685516144]
補助変数の存在下では非線型独立部分空間解析(ISA)の理論的枠組みを導入する。
部分空間が独立な教師なし音声表現を学習するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-25T14:53:09Z) - High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance
Model [101.74172837046382]
そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。
数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
論文 参考訳（メタデータ） (2020-06-25T12:00:26Z) - Learning Diverse and Discriminative Representations via the Principle of
Maximal Coding Rate Reduction [32.21975128854042]
本稿では、データセット全体と各クラスの和との符号化レート差を最大化する情報理論尺度である最大符号化レート削減(textMCR2$)の原理を提案する。
我々は,クロスエントロピー,情報ボトルネック,情報ゲイン,契約的・コントラスト的学習など,既存のフレームワークとの関係を明らかにするとともに,多様かつ差別的な特徴を学習するための理論的保証を提供する。
論文 参考訳（メタデータ） (2020-06-15T17:23:55Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳（メタデータ） (2020-04-17T12:47:04Z) - 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)
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。