論文の概要: Granular-Balls based Fuzzy Twin Support Vector Machine for Classification
- arxiv url: http://arxiv.org/abs/2408.00699v1
- Date: Thu, 1 Aug 2024 16:43:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 19:57:15.748362
- Title: Granular-Balls based Fuzzy Twin Support Vector Machine for Classification
- Title（参考訳）: グラニュラーボールを用いたファジィツイン支持ベクトルマシンの分類
- Authors: Lixi Zhao, Weiping Ding, Duoqian Miao, Guangming Lang,
- Abstract要約: 本稿では,2つのサポートベクタマシン(TWSVM)とグラニュラーボールコンピューティング(GBC)を統合した,グラニュラーボールツインサポートベクタマシン(GBTWSVM)の分類手法を提案する。
Pythagorean fuzzy set を用いて粒状球のメンバシップと非メンバシップ機能を設計し,各領域における粒状球の寄与を区別する。
- 参考スコア（独自算出の注目度）: 12.738411525651667
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The twin support vector machine (TWSVM) classifier has attracted increasing attention because of its low computational complexity. However, its performance tends to degrade when samples are affected by noise. The granular-ball fuzzy support vector machine (GBFSVM) classifier partly alleviates the adverse effects of noise, but it relies solely on the distance between the granular-ball's center and the class center to design the granular-ball membership function. In this paper, we first introduce the granular-ball twin support vector machine (GBTWSVM) classifier, which integrates granular-ball computing (GBC) with the twin support vector machine (TWSVM) classifier. By replacing traditional point inputs with granular-balls, we demonstrate how to derive a pair of non-parallel hyperplanes for the GBTWSVM classifier by solving a quadratic programming problem. Subsequently, we design the membership and non-membership functions of granular-balls using Pythagorean fuzzy sets to differentiate the contributions of granular-balls in various regions. Additionally, we develop the granular-ball fuzzy twin support vector machine (GBFTSVM) classifier by incorporating GBC with the fuzzy twin support vector machine (FTSVM) classifier. We demonstrate how to derive a pair of non-parallel hyperplanes for the GBFTSVM classifier by solving a quadratic programming problem. We also design algorithms for the GBTSVM classifier and the GBFTSVM classifier. Finally, the superior classification performance of the GBTWSVM classifier and the GBFTSVM classifier on 20 benchmark datasets underscores their scalability, efficiency, and robustness in tackling classification tasks.
- Abstract（参考訳）: ツインサポートベクターマシン (TWSVM) は計算量が少ないため注目されている。
しかし,ノイズの影響を受ければ劣化する傾向にある。
グラニュラーボールファジィ支持ベクトルマシン(GBFSVM)分類器は、ノイズの悪影響を部分的に軽減するが、グラニュラーボール中心とクラス中心の間の距離にのみ依存し、グラニュラーボールメンバシップ関数を設計する。
本稿では,まず,グラニュラーボール型サポートベクトルマシン(GBTWSVM)の分類器を紹介し,その分類器として,グラニュラーボール型サポートベクトルマシン(GBC)とTWSVM(TWSVM)の分類器を統合する。
従来の点入力をグラニュラーボールに置き換えることで、二次計画問題の解法により、GBTWSVM分類器に対して2つの非並列超平面を導出する方法を実証する。
次に, ピタゴラスファジィ集合を用いて粒状球の会員シップと非会員シップ機能を設計し, 様々な領域における粒状球の寄与を区別する。
さらに, GBC をファジィ・ツインサポート・ベクター・マシン (FTSVM) に組み込むことにより, 粒界ファジィ・ツインサポート・ベクター・マシン (GBFTSVM) の分類器を開発する。
本稿では,GBFTSVM分類器に対して,二次計画問題の解法により並列でない超平面を導出する方法を示す。
また,GBTSVM分類器とGBFTSVM分類器のアルゴリズムを設計する。
最後に、GBTWSVM分類器とGBFTSVM分類器の20ベンチマークデータセットにおける優れた分類性能は、分類タスクのスケーラビリティ、効率、堅牢性を示している。
関連論文リスト
- Enhanced Feature Based Granular Ball Twin Support Vector Machine [0.5492530316344587]
機能強化型グラニュラーボールツインサポートベクター(EF-GBTSVM)を提案する。
提案モデルでは,個々のデータサンプルではなく,粒状(GB)の粗粒度を入力として用いた。
ベンチマーク UCI および KEEL データセット上で提案した EF-GBTSVM モデルを徹底的に評価する。
論文 参考訳（メタデータ） (2024-10-08T08:10:43Z) - A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
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。
論文 参考訳（メタデータ） (2024-07-03T08:54:45Z) - 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) - Semantic Equitable Clustering: A Simple, Fast and Effective Strategy for Vision Transformer [57.37893387775829]
textbfSemantic textbfEquitable textbfClustering (SEC) という,高速かつバランスの取れたクラスタリング手法を導入する。
SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。
我々は、textbf27Mパラメータと textbf4.4G FLOPs のみを用いて、印象的な textbf84.2% 画像分類精度が得られる多用途視覚バックボーン SecViT を提案する。
論文 参考訳（メタデータ） (2024-05-22T04:49:00Z) - 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) - Fuzzy Granular-Ball Computing Framework and Its Implementation in SVM [0.8916420423563476]
本稿ではファジィ集合に粒度計算を導入することによりファジィ粒度計算分類器の枠組みを提案する。
計算フレームワークは、ポイントではなくグラニュラーボール入力に基づいている。
フレームワークはファジィサポートベクトルマシン(FSVM)に拡張され、グラニュラーボールファジィSVM(GBFSVM)が導出される。
論文 参考訳（メタデータ） (2022-10-21T02:03:52Z) - GBSVM: Granular-ball Support Vector Machine [46.60182022640765]
GBSVMは、単一データポイントではなく、グラニュラーボールの粗粒度を入力として使用する分類器を構築するための重要な試みである。
本稿では,既存のGBSVMの原モデルの誤りを修正し,その二重モデルを導出する。
UCIベンチマークデータセットの実験結果は、GBSVMが堅牢性と効率性に優れていることを示している。
論文 参考訳（メタデータ） (2022-10-06T09:11:44Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - 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) - Multi-view learning with privileged weighted twin support vector machine [0.0]
重み付きツインサポートベクターマシン(WLTSVM)は、非並列平面分類器の共通の欠点を改善するために、サンプル内で可能な限り多くの潜在的な類似情報をマイニングする。
ツインサポートベクトルマシン(TWSVM)と比較して、クラス間K-Nearest Neighbor(KNN)を用いて超流動制約を削除することにより、時間の複雑さを低減する。
本稿では,制限付きツインサポートベクトルマシン(MPWTSVM)を用いた多視点学習を提案する。
論文 参考訳（メタデータ） (2022-01-27T03:49:53Z)
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。
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。