論文の概要: Enhanced Feature Based Granular Ball Twin Support Vector Machine
- arxiv url: http://arxiv.org/abs/2410.05786v1
- Date: Tue, 8 Oct 2024 08:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 12:49:50.753396
- Title: Enhanced Feature Based Granular Ball Twin Support Vector Machine
- Title（参考訳）: 機能強化型グラニュラーボールツイン支持ベクトルマシン
- Authors: A. Quadir, M. Sajid, Mushir Akhtar, M. Tanveer, P. N. Suganthan,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.5492530316344587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose enhanced feature based granular ball twin support vector machine (EF-GBTSVM). EF-GBTSVM employs the coarse granularity of granular balls (GBs) as input rather than individual data samples. The GBs are mapped to the feature space of the hidden layer using random projection followed by the utilization of a non-linear activation function. The concatenation of original and hidden features derived from the centers of GBs gives rise to an enhanced feature space, commonly referred to as the random vector functional link (RVFL) space. This space encapsulates nuanced feature information to GBs. Further, we employ twin support vector machine (TSVM) in the RVFL space for classification. TSVM generates the two non-parallel hyperplanes in the enhanced feature space, which improves the generalization performance of the proposed EF-GBTSVM model. Moreover, the coarser granularity of the GBs enables the proposed EF-GBTSVM model to exhibit robustness to resampling, showcasing reduced susceptibility to the impact of noise and outliers. We undertake a thorough evaluation of the proposed EF-GBTSVM model on benchmark UCI and KEEL datasets. This evaluation encompasses scenarios with and without the inclusion of label noise. Moreover, experiments using NDC datasets further emphasize the proposed model's ability to handle large datasets. Experimental results, supported by thorough statistical analyses, demonstrate that the proposed EF-GBTSVM model significantly outperforms the baseline models in terms of generalization capabilities, scalability, and robustness. The source code for the proposed EF-GBTSVM model, along with additional results and further details, can be accessed at https://github.com/mtanveer1/EF-GBTSVM.
- Abstract（参考訳）: 本稿では,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。
EF-GBTSVMは、個々のデータサンプルではなく、粒度の粗い粒度(GB)を入力として利用する。
GBはランダムプロジェクションを用いて隠れ層の特徴空間にマッピングされ、その後非線形アクティベーション関数が使用される。
GBの中心から導かれる原特徴と隠された特徴の連結は、拡張された特徴空間(通称、ランダムベクトル汎関数リンク(RVFL)空間)を引き起こす。
この空間は、ニュアンス化された特徴情報をGBにカプセル化する。
さらに RVFL 空間にツインサポートベクトルマシン (TSVM) を用いて分類する。
TSVMは、拡張された特徴空間において2つの非並列超平面を生成し、提案したEF-GBTSVMモデルの一般化性能を向上させる。
さらに、GBの粗い粒度により、提案したEF-GBTSVMモデルは、再サンプリングに対する堅牢性を示し、ノイズや外れ値の影響に対する感受性の低下を示す。
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。
この評価はラベルノイズを含まないシナリオを含む。
さらに、NDCデータセットを用いた実験は、提案されたモデルが大規模データセットを処理する能力をさらに強調する。
詳細な統計分析によって支持された実験結果から,提案したEF-GBTSVMモデルは,一般化能力,スケーラビリティ,堅牢性の観点から,ベースラインモデルよりも大幅に優れていた。
提案されたEF-GBTSVMモデルのソースコードは、さらなる結果と詳細と共に、https://github.com/mtanveer1/EF-GBTSVMでアクセスすることができる。
関連論文リスト
- Enhancing Robustness and Efficiency of Least Square Twin SVM via Granular Computing [0.2999888908665658]
機械学習の分野では、最小二乗サポートベクターマシン(LSTSVM)が最先端モデルの1つとして際立っている。
LSTSVMはノイズやインバージョンに対する感受性に悩まされており、リサンプリングの原則と不安定さを見落としている。
そこで我々は,従来のデータポイントの代わりに粒状球を用いて学習した,頑健な粒状球 LSTSVM (GBLSTSVM) を提案する。
論文 参考訳（メタデータ） (2024-10-22T18:13:01Z) - Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。
最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。
本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-10-09T15:02:28Z) - Granular Ball Twin Support Vector Machine [0.0]
MixtureTwinサポートベクターマシン(TSVM)における非パラメトリック可能性推定器は、分類および回帰作業に多目的に適用可能な、新興機械学習モデルである。
TSVMは、その効率性と大規模データセットの適用性に対する重大な障害に直面している。
粒状球双対支持ベクトルマシン(GBTSVM)と大型球双対支持ベクトルマシン(LS-GBTSVM)を提案する。
UCI,KEEL,NDCデータセットのベンチマークデータセットを用いて,GBTSVMおよびLS-GBTSVMモデルの総合評価を行う。
論文 参考訳（メタデータ） (2024-10-07T06:20:36Z) - GB-RVFL: Fusion of Randomized Neural Network and Granular Ball Computing [0.0]
ランダムベクトル汎関数リンク(RVFL)ネットワークは、強力な一般化能力を持つ顕著な分類モデルである。
トレーニングサンプルの代わりに粒状球(GB)を入力として使用する粒状球RVFL(GB-RVFL)モデルを提案する。
提案したGB-RVFLおよびGE-GB-RVFLモデルは,KEEL,UCI,NDC,バイオメディカルデータセットを用いて評価した。
論文 参考訳（メタデータ） (2024-09-25T08:33:01Z) - GRVFL-MV: Graph Random Vector Functional Link Based on Multi-View Learning [0.2999888908665658]
マルチビュー学習(GRVFL-MV)モデルに基づく新しいグラフランダムベクトル関数リンクを提案する。
提案モデルは,マルチビュー学習(MVL)の概念を取り入れて,複数の視点で学習する。
また、グラフ埋め込み(GE)フレームワークを使用して、すべてのビューの幾何学的性質も取り入れている。
論文 参考訳（メタデータ） (2024-09-07T07:18:08Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。
データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。
textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - Granular-Balls based Fuzzy Twin Support Vector Machine for Classification [12.738411525651667]
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。
論文 参考訳（メタデータ） (2024-08-01T16:43:21Z) - VST++: Efficient and Stronger Visual Saliency Transformer [74.26078624363274]
我々は,グローバルな長距離依存関係を探索する,効率的で強力なVST++モデルを開発した。
我々は、RGB、RGB-D、RGB-T SODベンチマークデータセット上で、トランスフォーマーベースのバックボーンにまたがってモデルを評価した。
論文 参考訳（メタデータ） (2023-10-18T05:44:49Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳（メタデータ） (2022-03-27T05:03:56Z) - 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) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
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。