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
- Robust Learning under Hybrid Noise [24.36707245704713]
本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
論文 参考訳（メタデータ） (2024-07-04T16:13:25Z) - Foster Adaptivity and Balance in Learning with Noisy Labels [26.309508654960354]
我々はtextbfSelf-adaptivtextbfE とクラスバランスtextbfD 方式でラベルノイズに対処するための textbfSED という新しい手法を提案する。
平均教師モデルは、ノイズの多いサンプルのラベルを修正するために使用される。
また,検出した雑音に異なる重みを割り当てる自己適応型およびクラスバランスのサンプル再重み付け機構を提案する。
論文 参考訳（メタデータ） (2024-07-03T03:10:24Z) - DRoP: Distributionally Robust Pruning [11.930434318557156]
我々は、訓練されたモデルの分類バイアスにデータプルーニングが与える影響について、最初の系統的研究を行う。
そこで我々はDRoPを提案する。DRoPは,標準的なコンピュータビジョンベンチマークにおいて,その性能を実証的に実証し,分散的に頑健な手法である。
論文 参考訳（メタデータ） (2024-04-08T14:55:35Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Smooth Ranking SVM via Cutting-Plane Method [6.946903076677842]
我々は,AUCを最大化するために,Randing SVMと類似した切削平面法に依存するプロトタイプ学習手法を開発した。
本アルゴリズムは,切削面を反復的に導入することで,より単純なモデルを学ぶ。
73のバイナリ分類データセットを用いて行った実験から,本手法は競合する25のデータセットの中で最高のAUCが得られる。
論文 参考訳（メタデータ） (2024-01-25T18:47:23Z) - 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) - Generalized Oversampling for Learning from Imbalanced datasets and
Associated Theory [0.0]
教師あり学習では、実際の不均衡なデータセットに直面することが多い。
本稿では,カーネル密度推定に基づくデータ拡張手法であるGOLIATHアルゴリズムを提案する。
我々は,不均衡な回帰状況下でのGOLIATHアルゴリズムの性能を評価する。
論文 参考訳（メタデータ） (2023-08-05T23:08:08Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Improving Pre-trained Language Model Fine-tuning with Noise Stability
Regularization [94.4409074435894]
本稿では,LNSR(Layerwise Noise Stability Regularization)という,新規かつ効果的な微調整フレームワークを提案する。
具体的には、標準ガウス雑音を注入し、微調整モデルの隠れ表現を正規化することを提案する。
提案手法は,L2-SP,Mixout,SMARTなど他の最先端アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-12T04:42:49Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T08:35:15Z)
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。