Fugu-MT 論文翻訳(概要): Genetic Column Generation for Computing Lower Bounds for Adversarial Classification

論文の概要: Genetic Column Generation for Computing Lower Bounds for Adversarial Classification

arxiv url: http://arxiv.org/abs/2406.08331v1
Date: Wed, 12 Jun 2024 15:34:42 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 16:16:39.854002
Title: Genetic Column Generation for Computing Lower Bounds for Adversarial Classification
Title（参考訳）: 逆分類のための下位境界計算のための遺伝的カラム生成
Authors: Maximilian Penka,
Abstract要約: 遺伝的カラム生成のアイデアは,マルチクラス分類における最小対角リスクの計算において,次元の呪いを克服するためにどのように使用できるかを検討する。本稿では,遺伝的カラム生成のアイデアが,マルチクラス分類における最小対角リスクの計算における次元の呪いを克服するために利用できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent theoretical results on adversarial multi-class classification showed a similarity to the multi-marginal formulation of Wasserstein-barycenter in optimal transport. Unfortunately, both problems suffer from the curse of dimension, making it hard to exploit the nice linear program structure of the problems for numerical calculations. We investigate how ideas from Genetic Column Generation for multi-marginal optimal transport can be used to overcome the curse of dimension in computing the minimal adversarial risk in multi-class classification.
Abstract（参考訳）: 直交多クラス分類に関する最近の理論的結果は, 最適輸送におけるワッサーシュタイン・バリセンターのマルチマルジナル定式化と類似していた。残念ながら、どちらの問題も次元の呪いに悩まされており、数値計算における問題の線形プログラム構造をうまく活用することは困難である。マルチ階層の最適輸送のための遺伝的カラム生成のアイデアは、マルチクラス分類における最小対角リスクの計算において、次元の呪いを克服するためにどのように使用できるかを検討する。

関連論文リスト

Maximum a Posteriori Inference for Factor Graphs via Benders' Decomposition [0.38233569758620056]
一般ベイズ因子モデルにおける最大a-ポストペリオーリ推定法を提案する。ベイジアン・ガウス混合モデルと潜在ディリクレ割り当てに対するMAP推定アルゴリズムを導出する。
論文参考訳（メタデータ） (2024-10-24T19:57:56Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
An Optimal Transport Approach for Computing Adversarial Training Lower Bounds in Multiclass Classification [3.447848701446988]
強靭性を強制する一般的なパラダイムは、敵対的訓練(AT)であるが、これは多くの計算的および理論的困難をもたらす。最近の研究は、ATとマルチクラス分類設定(MOT)の接続を開発し、この問題を研究するための新しいツールセットをアンロックしている。本稿では,最適対向リスクの普遍的下界を計算するための計算処理可能な数値アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-01-17T13:03:47Z)
Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
The Multimarginal Optimal Transport Formulation of Adversarial Multiclass Classification [0.0]
多クラス分類における逆学習問題の幾何学的構造について述べる。この結果の直接的な計算的意味は、バリセンタ問題とその双対、あるいはMOT問題とその双対を解くことにより、最適なロバストな分類規則を回復できるということである。
論文参考訳（メタデータ） (2022-04-27T03:07:39Z)
Generalization Error Bounds for Multiclass Sparse Linear Classifiers [7.360807642941714]
スパース多項ロジスティック回帰による高次元多クラス分類を考察する。本稿では,ペナル化最大可能性に基づく計算可能な特徴選択手法を提案する。特に、グローバル・スパシティ、ダブル・行ワイド・スパシティ、ロー・ランク・スパシティについて検討する。
論文参考訳（メタデータ） (2022-04-13T09:25:03Z)
Clustering a Mixture of Gaussians with Unknown Covariance [4.821312633849745]
最大極大推定に基づくMax-Cut整数プログラムを導出する。最適な速度を得るが、2次サンプルサイズを必要とする効率的なスペクトルアルゴリズムを開発する。我々は Max-Cut プログラムを$k$-means プログラムに一般化する。
論文参考訳（メタデータ） (2021-10-04T17:59:20Z)
Learning Gaussian Mixtures with Generalised Linear Models: Precise Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。実験的リスク最小化による高次元推定器の精度を実証する。合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文参考訳（メタデータ） (2021-06-07T16:53:56Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Self-Weighted Robust LDA for Multiclass Classification with Edge Classes [111.5515086563592]
SWRLDAと呼ばれる,l21ノルムを基準とした新しい自己重み付き頑健なLDAを提案する。提案するSWRLDAは実装が容易で,実際に高速に収束する。
論文参考訳（メタデータ） (2020-09-24T12:32:55Z)
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。