論文の概要: A robust three-way classifier with shadowed granular-balls based on justifiable granularity

• arxiv url: http://arxiv.org/abs/2407.11027v1
• Date: Wed, 3 Jul 2024 08:54:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 12:20:02.581369
• Title: A robust three-way classifier with shadowed granular-balls based on justifiable granularity
• Title（参考訳）: 正当性粒度に基づくシャドードグラニュラーボールを用いた頑健な3方向分類器
• Authors: Jie Yang, Lingyun Xiaodiao, Guoyin Wang, Witold Pedrycz, Shuyin Xia, Qinghua Zhang, Di Wu,
• Abstract要約: 我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。 本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
• 参考スコア（独自算出の注目度）: 53.39844791923145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The granular-ball (GB)-based classifier introduced by Xia, exhibits adaptability in creating coarse-grained information granules for input, thereby enhancing its generality and flexibility. Nevertheless, the current GB-based classifiers rigidly assign a specific class label to each data instance and lacks of the necessary strategies to address uncertain instances. These far-fetched certain classification approachs toward uncertain instances may suffer considerable risks. To solve this problem, we construct a robust three-way classifier with shadowed GBs for uncertain data. Firstly, combine with information entropy, we propose an enhanced GB generation method with the principle of justifiable granularity. Subsequently, based on minimum uncertainty, a shadowed mapping is utilized to partition a GB into Core region, Important region and Unessential region. Based on the constructed shadowed GBs, we establish a three-way classifier to categorize data instances into certain classes and uncertain case. Finally, extensive comparative experiments are conducted with 2 three-way classifiers, 3 state-of-the-art GB-based classifiers, and 3 classical machine learning classifiers on 12 public benchmark datasets. The results show that our model demonstrates robustness in managing uncertain data and effectively mitigates classification risks. Furthermore, our model almost outperforms the other comparison methods in both effectiveness and efficiency.
• Abstract（参考訳）: Xiaによって導入されたグラニュラーボール(GB)ベースの分類器は、入力のための粗粒度情報グラニュラーを作成する適応性を示し、その汎用性と柔軟性を高める。 それでも、現在のGBベースの分類器は、各データインスタンスに特定のクラスラベルを厳格に割り当てており、不確実なインスタンスに対処するために必要な戦略が欠如している。 このような、不確実な事例に対する特定の分類アプローチは、かなりのリスクを被る可能性がある。 この問題を解決するために、不確実なデータのために、影付きGBの頑健な3方向分類器を構築する。 まず,情報エントロピーと組み合わせて,良質な粒度の原理を用いた拡張GB生成法を提案する。 その後、最小不確実性に基づいて、シャドーマッピングを使用して、GBをコア領域、重要領域、ユシデンシャル領域に分割する。 構築されたシャドウGBに基づいて、データインスタンスを特定のクラスと不確実なケースに分類する3方向分類器を確立する。 最後に、2つの3方向分類器、3つの最先端のGBベースの分類器、3つの古典的な機械学習分類器を12の公開ベンチマークデータセットで比較実験する。 その結果,不確実なデータ管理におけるロバスト性を示し,分類リスクを効果的に軽減できることが示唆された。 さらに、本モデルでは、他の比較手法よりも効率と効率の両面で優れています。

関連論文リスト

• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング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） (2024-01-13T04:16:40Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• DNA: Denoised Neighborhood Aggregation for Fine-grained Category Discovery [25.836440772705505]
  本稿では,データのセマンティック構造を埋め込み空間にエンコードする自己教師型フレームワークを提案する。 我々は、クエリのk-nearest隣人を正のキーとして検索し、データ間のセマンティックな類似性を捉え、隣人からの情報を集約し、コンパクトなクラスタ表現を学ぶ。 我々の手法は、より正確な隣人(21.31%の精度改善)を検索し、最先端のモデルよりも大きなマージンで性能を向上することができる。
  論文  参考訳（メタデータ） (2023-10-16T07:43:30Z)
• GBG++: A Fast and Stable Granular Ball Generation Method for Classification [18.611701583873504]
  グラニュラーボールコンピューティングは効率的で堅牢でスケーラブルな学習方法である。 既存のGBG法の安定性と効率をさらに改善する必要がある。 まず, 高速かつ安定なGBG (GBG++) 手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:00:19Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Signal classification using weighted orthogonal regression method [0.0]
  本稿では,各クラス固有の構造を,対応する固有成分を介して活用する新しい分類法を提案する。 提案手法は,各サブ空間の基底を選択するために,各クラスから取得したデータのSVDによる固有ベクトルを含む。 それは、意思決定基準が2つのクラスを識別する効果的な重み付けであると考えている。
  論文  参考訳（メタデータ） (2020-10-12T19:12:14Z)
• Classify and Generate Reciprocally: Simultaneous Positive-Unlabelled Learning and Conditional Generation with Extra Data [77.31213472792088]
  クラスラベルデータの不足は、多くの機械学習問題において、ユビキタスなボトルネックとなっている。 本稿では, 正負ラベル付き(PU)分類と, 余分なラベル付きデータによる条件生成を活用することで, この問題に対処する。 本稿では,PU分類と条件生成を併用した新たなトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-14T08:27:40Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)
• Dynamic Decision Boundary for One-class Classifiers applied to non-uniformly Sampled Data [0.9569316316728905]
  パターン認識の典型的な問題は、一様でないサンプルデータである。 本稿では,動的決定境界を持つ最小スパンニング木に基づく一クラス分類器を提案する。
  論文  参考訳（メタデータ） (2020-04-05T18:29:36Z)

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。