論文の概要: Enriched Functional Tree-Based Classifiers: A Novel Approach Leveraging
Derivatives and Geometric Features
- arxiv url: http://arxiv.org/abs/2409.17804v1
- Date: Thu, 26 Sep 2024 12:57:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 19:42:02.047892
- Title: Enriched Functional Tree-Based Classifiers: A Novel Approach Leveraging
Derivatives and Geometric Features
- Title(参考訳): リッチ機能木ベース分類器:新しいアプローチ
誘導体と幾何学的特徴
- Authors: Fabrizio Maturo, Annamaria Porreca
- Abstract要約: 本研究では,高次元時系列の分類手法として,関数型データ分析(FDA)と木に基づくアンサンブル技術を統合した教師付き分類手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The positioning of this research falls within the scalar-on-function
classification literature, a field of significant interest across various
domains, particularly in statistics, mathematics, and computer science. This
study introduces an advanced methodology for supervised classification by
integrating Functional Data Analysis (FDA) with tree-based ensemble techniques
for classifying high-dimensional time series. The proposed framework, Enriched
Functional Tree-Based Classifiers (EFTCs), leverages derivative and geometric
features, benefiting from the diversity inherent in ensemble methods to further
enhance predictive performance and reduce variance. While our approach has been
tested on the enrichment of Functional Classification Trees (FCTs), Functional
K-NN (FKNN), Functional Random Forest (FRF), Functional XGBoost (FXGB), and
Functional LightGBM (FLGBM), it could be extended to other tree-based and
non-tree-based classifiers, with appropriate considerations emerging from this
investigation. Through extensive experimental evaluations on seven real-world
datasets and six simulated scenarios, this proposal demonstrates fascinating
improvements over traditional approaches, providing new insights into the
application of FDA in complex, high-dimensional learning problems.
- Abstract(参考訳): この研究の位置づけは、スカラー・オン・ファンクショナル分類文学(スカラー・オン・ファンクショナル分類文学)に属する。
本研究では,高次元時系列の分類手法として,関数型データ分析(FDA)と木に基づくアンサンブル技術を統合した教師付き分類手法を提案する。
The proposed framework, Enriched Functional Tree-Based Classifiers (EFTCs) は、微分と幾何学的特徴を活用し、アンサンブル法に固有の多様性の恩恵を受け、予測性能をさらに向上し、分散を低減する。
機能分類木(FCT)、機能的K-NN(FKNN)、機能的ランダムフォレスト(FRF)、機能的XGBoost(FXGB)、機能的光GBM(FLGBM)の濃縮について検討されてきたが、本研究から適切な考察が得られた。
7つの実世界のデータセットと6つのシミュレーションシナリオに関する広範な実験的評価を通じて、この提案は従来のアプローチよりも魅力的な改善を示し、複雑な高次元学習問題におけるFDAの適用に関する新たな洞察を提供する。
関連論文リスト
- Generating Hierarchical Structures for Improved Time Series
Classification Using Stochastic Splitting Functions [0.0]
本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。
この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
論文 参考訳(メタデータ) (2023-09-21T10:34:50Z) - Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。
クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。
このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文 参考訳(メタデータ) (2023-05-24T11:05:12Z) - Multiclass classification for multidimensional functional data through
deep neural networks [0.22843885788439797]
革新的なデータマイニング分類ツールとして,新しい機能深層ニューラルネットワーク(mfDNN)を導入する。
線形単位(ReLU)アクティベーション機能を持つ疎いディープニューラルネットワークアーキテクチャを考察し,マルチクラス分類設定におけるクロスエントロピー損失を最小化する。
シミュレーションデータと異なるアプリケーションドメインのベンチマークデータセットにおけるmfDNNの性能を示す。
論文 参考訳(メタデータ) (2023-05-22T16:56:01Z) - Offline Reinforcement Learning with Differentiable Function
Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。
微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。
最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文 参考訳(メタデータ) (2022-10-03T07:59:42Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Functional connectivity ensemble method to enhance BCI performance
(FUCONE) [3.510884437562011]
本稿では,機能的接続推定器と共分散に基づくパイプラインを組み合わせて精神状態の分類を行う新しいフレームワークを提案する。
機能接続推定器の徹底的な評価を行い、FUCONEと呼ばれる最高の実行パイプラインを異なる条件で評価する。
論文 参考訳(メタデータ) (2021-11-04T19:40:08Z) - Functional Classwise Principal Component Analysis: A Novel
Classification Framework [4.6592517049808455]
機能データとクラスワイド主成分分析(PCA)を用いた新しい分類フレームワークを提案する。
本手法は,特徴空間を線形に抽出し,特に難解な分類問題に適した特徴空間を抽出する。
提案手法の有効性を,様々な分野の合成データセットと実時間時系列データの両方に適用することで実証する。
論文 参考訳(メタデータ) (2021-06-26T07:10:58Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳(メタデータ) (2021-03-05T09:03:03Z) - Measure Inducing Classification and Regression Trees for Functional Data [0.0]
機能的データ分析の文脈における分類と回帰問題に対する木に基づくアルゴリズムを提案する。
これは、制約付き凸最適化により重み付き汎函数 L2$ 空間を学習することで達成される。
論文 参考訳(メタデータ) (2020-10-30T18:49:53Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳(メタデータ) (2020-07-24T17:06:55Z)
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。