論文の概要: An Autotuning-based Optimization Framework for Mixed-kernel SVM Classifications in Smart Pixel Datasets and Heterojunction Transistors
- arxiv url: http://arxiv.org/abs/2406.18445v2
- Date: Thu, 26 Sep 2024 18:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-09 01:10:29.014321
- Title: An Autotuning-based Optimization Framework for Mixed-kernel SVM Classifications in Smart Pixel Datasets and Heterojunction Transistors
- Title（参考訳）: スマートPixelデータセットとヘテロ接合トランジスタの混合カーネルSVM分類のための自動最適化フレームワーク
- Authors: Xingfu Wu, Tupendra Oli, Justin H. Qian, Valerie Taylor, Mark C. Hersam, Vinod K. Sangwan,
- Abstract要約: Support Vector Machine (SVM) は、科学や工学で広く使われている最先端の分類手法である。
そこで本稿では,SVMにおけるハイパーパラメータの範囲を定量化して最適選択を識別する,自動チューニングに基づく最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Support Vector Machine (SVM) is a state-of-the-art classification method widely used in science and engineering due to its high accuracy, its ability to deal with high dimensional data, and its flexibility in modeling diverse sources of data. In this paper, we propose an autotuning-based optimization framework to quantify the ranges of hyperparameters in SVMs to identify their optimal choices, and apply the framework to two SVMs with the mixed-kernel between Sigmoid and Gaussian kernels for smart pixel datasets in high energy physics (HEP) and mixed-kernel heterojunction transistors (MKH). Our experimental results show that the optimal selection of hyperparameters in the SVMs and the kernels greatly varies for different applications and datasets, and choosing their optimal choices is critical for a high classification accuracy of the mixed kernel SVMs. Uninformed choices of hyperparameters C and coef0 in the mixed-kernel SVMs result in severely low accuracy, and the proposed framework effectively quantifies the proper ranges for the hyperparameters in the SVMs to identify their optimal choices to achieve the highest accuracy 94.6\% for the HEP application and the highest average accuracy 97.2\% with far less tuning time for the MKH application.
- Abstract（参考訳）: Support Vector Machine (SVM) は、高い精度、高次元データを扱う能力、多様なデータソースをモデル化する柔軟性のために、科学や工学で広く使われている最先端の分類手法である。
本稿では、SVMにおけるハイパーパラメータの範囲を定量化して最適な選択を識別する自動チューニングベースの最適化フレームワークを提案し、高エネルギー物理(HEP)におけるスマートピクセルデータセットと混合カーネルヘテロ接合トランジスタ(MKH)に対するシグモドカーネルとガウスカーネルの混合カーネルを持つ2つのSVMに適用する。
実験結果から,SVMとカーネルにおけるハイパーパラメータの最適選択は,異なるアプリケーションやデータセットに対して大きく異なることが明らかとなった。
混合カーネルSVMにおけるハイパーパラメータCとcoef0の不正選択は極めて低い精度となり、提案フレームワークは、SVMにおけるハイパーパラメータの適切な範囲を効果的に定量化し、最適な選択を識別し、HEPアプリケーションで94.6\%、MKHアプリケーションではるかに少ないチューニング時間で最高平均精度97.2\%を達成する。
関連論文リスト
- MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。
本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。
ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-29T05:59:52Z) - Sparsity-Aware Distributed Learning for Gaussian Processes with Linear
Multiple Kernel [22.23550794664218]
本稿では,新しいGP線形多重カーネル(LMK)と汎用空間認識型分散学習フレームワークを提案する。
このフレームワークには、複数のエージェント間の協調学習のための乗算器の量子化交互方向法(ADMM)が組み込まれている。
多様なデータセットを用いた実験により,提案手法の予測性能と効率性が向上した。
論文 参考訳（メタデータ） (2023-09-15T07:05:33Z) - Separability and Scatteredness (S&S) Ratio-Based Efficient SVM
Regularization Parameter, Kernel, and Kernel Parameter Selection [10.66048003460524]
Support Vector Machine (SVM)は、分類、回帰、外れ値検出に広く応用された堅牢な機械学習アルゴリズムである。
本研究では,SVMの性能をデータの分離性と分散性(S&S)の関数としてモデル化できることを示す。
論文 参考訳（メタデータ） (2023-05-17T13:51:43Z) - Support Vector Machine for Determining Euler Angles in an Inertial
Navigation System [55.41644538483948]
本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。
提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
論文 参考訳（メタデータ） (2022-12-07T10:01:11Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Feature subset selection for kernel SVM classification via mixed-integer
optimization [0.7734726150561088]
非線形カーネルサポートベクトルマシン(SVM)における特徴部分選択のための混合整数最適化(MIO)手法について検討した。
1970年代に線形回帰について最初に提案されたこのアプローチは、最近最適化アルゴリズムとコンピュータハードウェアの進歩とともにスポットライトに移行した。
特徴部分集合選択のためのカーネルターゲットアライメントに基づくMILO(mixed-integer linear optimization)の定式化を提案し,このMILO問題を最適化ソフトウェアを用いて最適に解くことができる。
論文 参考訳（メタデータ） (2022-05-28T04:01:40Z) - Handling Imbalanced Classification Problems With Support Vector Machines
via Evolutionary Bilevel Optimization [73.17488635491262]
サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。
この記事では、EBCS-SVMについて紹介する。
論文 参考訳（メタデータ） (2022-04-21T16:08:44Z) - AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient
Hyper-parameter Tuning [72.54359545547904]
ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。
ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
論文 参考訳（メタデータ） (2022-03-15T19:25:01Z) - AML-SVM: Adaptive Multilevel Learning with Support Vector Machines [0.0]
本稿では非線形SVMのための適応型多段階学習フレームワークを提案する。
改良プロセス全体の分類品質を改善し、マルチスレッド並列処理を活用して性能を向上する。
論文 参考訳（メタデータ） (2020-11-05T00:17:02Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Radial basis function kernel optimization for Support Vector Machine
classifiers [4.888981184420116]
OKSVMはRBFカーネルハイパーパラメータを自動的に学習し、SVM重みを同時に調整するアルゴリズムである。
合成データおよび実データに基づく分類において,従来のSVMに対するアプローチの性能を解析する。
論文 参考訳（メタデータ） (2020-07-16T10:09:15Z)
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。