論文の概要: A Generalized Framework with Adaptive Weighted Soft-Margin for
Imbalanced SVM Classification
- arxiv url: http://arxiv.org/abs/2403.08378v1
- Date: Wed, 13 Mar 2024 09:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 15:16:25.181097
- Title: A Generalized Framework with Adaptive Weighted Soft-Margin for
Imbalanced SVM Classification
- Title（参考訳）: 適応重み付きソフトマージンを用いた一般化フレームワーク
不均衡SVM分類
- Authors: Lu Jiang, Qi Wang, Yuhang Chang, Jianing Song and Haoyue Fu
- Abstract要約: ソフトマージン重み付きSVM(AW-WSVM)に対する適応重み関数を用いた新しい一般化フレームワークを提案する。
未拘束ソフトマージン支持ベクトルマシンに重量係数を導入し、各トレーニング前にサンプル重量を更新する。
実験結果から,提案手法は精度,基準値,G平均値において優れた性能を示した。
- 参考スコア（独自算出の注目度）: 11.783263199297075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Category imbalance is one of the most popular and important issues in the
domain of classification. In this paper, we present a new generalized framework
with Adaptive Weight function for soft-margin Weighted SVM (AW-WSVM), which
aims to enhance the issue of imbalance and outlier sensitivity in standard
support vector machine (SVM) for classifying two-class data. The weight
coefficient is introduced into the unconstrained soft-margin support vector
machines, and the sample weights are updated before each training. The Adaptive
Weight function (AW function) is constructed from the distance between the
samples and the decision hyperplane, assigning different weights to each
sample. A weight update method is proposed, taking into account the proximity
of the support vectors to the decision hyperplane. Before training, the weights
of the corresponding samples are initialized according to different categories.
Subsequently, the samples close to the decision hyperplane are identified and
assigned more weights. At the same time, lower weights are assigned to samples
that are far from the decision hyperplane. Furthermore, we also put forward an
effective way to eliminate noise. To evaluate the strength of the proposed
generalized framework, we conducted experiments on standard datasets and
emotion classification datasets with different imbalanced ratios (IR). The
experimental results prove that the proposed generalized framework outperforms
in terms of accuracy, recall metrics and G-mean, validating the effectiveness
of the weighted strategy provided in this paper in enhancing support vector
machines.
- Abstract（参考訳）: カテゴリー不均衡は、分類分野において最も人気があり重要な問題の一つである。
本稿では,ソフトマージン重み付きSVM(AW-WSVM)の適応重み関数を用いた新しい一般化フレームワークを提案する。
未拘束ソフトマージン支持ベクトルマシンに重量係数を導入し、各トレーニング前にサンプル重量を更新する。
適応重み関数 (Adaptive Weight function, AW function) は、試料と決定超平面の間の距離から構成され、各試料に異なる重みを割り当てる。
決定超平面への支持ベクトルの近接を考慮した重み更新手法を提案する。
トレーニング前に、対応するサンプルの重みは異なるカテゴリに応じて初期化される。
その後、決定超平面に近いサンプルが特定され、より多くの重量が割り当てられる。
同時に、下級重量は決定超平面から遠く離れたサンプルに割り当てられる。
さらに、ノイズを除去する効果的な方法も提案した。
提案する一般化フレームワークの強度を評価するため,異なる不均衡比 (IR) の標準データセットと感情分類データセットの実験を行った。
実験結果から,提案手法が精度,リコール基準,G平均で優れており,支援ベクトルマシンの強化における重み付き戦略の有効性が検証された。
関連論文リスト
- Projection based fuzzy least squares twin support vector machine for
class imbalance problems [0.9668407688201361]
本稿では,不均衡なクラスとノイズの多いデータセットを扱うファジィに基づく新しい手法を提案する。
提案アルゴリズムは,複数のベンチマークおよび合成データセットを用いて評価する。
論文 参考訳（メタデータ） (2023-09-27T14:28:48Z) - Boosting Fair Classifier Generalization through Adaptive Priority
Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。
本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文 参考訳（メタデータ） (2023-09-15T13:04:55Z) - Robust Twin Parametric Margin Support Vector Machine for Multiclass
Classification [0.0]
マルチクラス分類の問題に対処するために,Twin Parametric-Margin Support Vector Machine (TPMSVM) モデルを提案する。
実世界のデータセットに対する予備計算実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-09T19:27:24Z) - Adaptive Distribution Calibration for Few-Shot Learning with
Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。
標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-10-09T02:32:57Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - Weighted Least Squares Twin Support Vector Machine with Fuzzy Rough Set
Theory for Imbalanced Data Classification [0.483420384410068]
サポートベクトルマシン(SVM)は、分類問題を解決するために開発された強力な教師付き学習ツールである。
重み付き最小二乗支援ベクトルマシンFRLSTSVMにおけるファジィ粗集合理論を不均衡データの分類に効率的に利用する手法を提案する。
論文 参考訳（メタデータ） (2021-05-03T22:33:39Z) - 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) - AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。
外観認識は、完全に微分可能な重み付け機構によって実現される。
我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文 参考訳（メタデータ） (2020-07-07T14:32:21Z)
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。