論文の概要: Support Vector Boosting Machine (SVBM): Enhancing Classification Performance with AdaBoost and Residual Connections

• arxiv url: http://arxiv.org/abs/2410.06957v1
• Date: Wed, 9 Oct 2024 14:55:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 23:27:23.516948
• Title: Support Vector Boosting Machine (SVBM): Enhancing Classification Performance with AdaBoost and Residual Connections
• Title（参考訳）: SVBM:AdaBoostと残留接続による分類性能の向上
• Authors: Junbo Jacob Lian,
• Abstract要約: 従来のブースティングアルゴリズムでは、誤分類されたトレーニングサンプルに焦点が当てられているのは、学習過程の難しさに基づいて、その重要性を強調している。 本稿では,SVMアルゴリズムと残差接続技術を組み合わせた新しいサブサンプリングプロセスであるSupport Vector Boosting Machine(SVBM)を提案する。 SVBMフレームワークは複雑な決定境界を形成する能力を高め、分類性能を向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In traditional boosting algorithms, the focus on misclassified training samples emphasizes their importance based on difficulty during the learning process. While using a standard Support Vector Machine (SVM) as a weak learner in an AdaBoost framework can enhance model performance by concentrating on error samples, this approach introduces significant challenges. Specifically, SVMs, characterized by their stability and robustness, may require destabilization to fit the boosting paradigm, which in turn can constrain performance due to reliance on the weighted results from preceding iterations. To address these challenges, we propose the Support Vector Boosting Machine (SVBM), which integrates a novel subsampling process with SVM algorithms and residual connection techniques. This method updates sample weights by considering both the current model's predictions and the outputs from prior rounds, allowing for effective sparsity control. The SVBM framework enhances the ability to form complex decision boundaries, thereby improving classification performance. The MATLAB source code for SVBM can be accessed at https://github.com/junbolian/SVBM.
• Abstract（参考訳）: 従来のブースティングアルゴリズムでは、誤分類されたトレーニングサンプルに焦点が当てられ、学習過程の難しさに基づいて、その重要性が強調される。 AdaBoostフレームワークでは、標準のSupport Vector Machine(SVM)を弱い学習者として使用することで、エラーサンプルに集中することでモデルパフォーマンスを向上させることができるが、このアプローチには大きな課題が伴う。 具体的には、SVMは安定性と堅牢性を特徴とし、ブースティングパラダイムに適合するために不安定化を必要とする可能性があるため、前回のイテレーションの重み付け結果に依存するため、パフォーマンスを制限できる。 これらの課題に対処するために,SVMアルゴリズムと残差接続技術を組み合わせた新しいサブサンプリングプロセスであるSupport Vector Boosting Machine (SVBM)を提案する。 本手法は,現行モデルの予測値と先行ラウンドからの出力値の両方を考慮し,サンプル重み付けを更新し,有効間隔制御を実現する。 SVBMフレームワークは複雑な決定境界を形成する能力を高め、分類性能を向上させる。 SVBMのMATLABソースコードはhttps://github.com/junbolian/SVBMでアクセスできる。

関連論文リスト

• Enhancing Imbalance Learning: A Novel Slack-Factor Fuzzy SVM Approach [0.0]
  サポートベクターマシン(FSVM)は、様々なファジィメンバシップをサンプルに割り当てることで、クラス不均衡に対処する。 最近開発されたslack-factor-based FSVM(SFFSVM)は、slack Factorを使用して、誤分類可能性に基づいてファジィメンバシップを調整することで、従来のFSVMを改善している。 そこで我々は,新しい位置パラメータを導入する改良されたスラックファクターベースFSVM(ISFFSVM)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T05:47:01Z)
• HRVMamba: High-Resolution Visual State Space Model for Dense Prediction [60.80423207808076]
  効率的なハードウェアを意識した設計のステートスペースモデル(SSM)は、コンピュータビジョンタスクにおいて大きな可能性を証明している。 これらのモデルは、誘導バイアスの不足、長距離の忘れ、低解像度の出力表現の3つの主要な課題によって制約されている。 本稿では, 変形可能な畳み込みを利用して, 長距離忘れ問題を緩和する動的ビジュアル状態空間(DVSS)ブロックを提案する。 また,DVSSブロックに基づく高分解能視覚空間モデル(HRVMamba)を導入し,プロセス全体を通して高分解能表現を保存する。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• A Safe Screening Rule with Bi-level Optimization of $\nu$ Support Vector Machine [15.096652880354199]
  本稿では,$nu$-SVM に対する二レベル最適化による安全なスクリーニングルールを提案する。 我々のSRBO-$nu$-SVMは、Karush-Kuhn-Tucker条件を統合することによって厳密に推論される。 また,計算速度を改善するために,効率的な二重座標降下法 (DCDM) も開発している。
  論文  参考訳（メタデータ） (2024-03-04T06:55:57Z)
• Step-On-Feet Tuning: Scaling Self-Alignment of LLMs via Bootstrapping [53.454408491386886]
  自己アライメントのブートストラップは、シングルラウンドアプローチをはるかに上回る。 モデルが継続的に強化した複数ショット機能を活用してゼロまたはワンショットのパフォーマンスを向上するステップ・オン・フィート・チューニング(SOFT)を提案する。 簡単な学習法に基づいて、自己アライメントの性能をさらに向上させるSOFT+を提案する。
  論文  参考訳（メタデータ） (2024-02-12T12:30:42Z)
• Can SAM Boost Video Super-Resolution? [78.29033914169025]
  単純な有効モジュールであるSAM-guidEd refinEment Module (SEEM)を提案する。 この軽量プラグインモジュールは、セマンティック・アウェア機能の生成にアテンションメカニズムを活用するように設計されている。 我々はSEEMをEDVRとBasicVSRの2つの代表的手法に適用し、最小限の実装労力で継続的に性能を向上する。
  論文  参考訳（メタデータ） (2023-05-11T02:02:53Z)
• Token Boosting for Robust Self-Supervised Visual Transformer Pre-training [29.177761902566107]
  Token Boosting Module (TBM) は、Visual Transformers (VT) 用のプラグイン・アンド・プレイコンポーネントである。 我々は,VTのプラグアンドプレイコンポーネントとしてTBMを導入し,マスク付きオートエンコーディング事前学習において,VTがクリーンでロバストな特徴の抽出を効果的に学べるようにした。 我々はTBMの有効性を分析するための広範囲な実験を行い、4つの破損したデータセットの結果から、TBMは下流タスクの性能を継続的に改善することを示した。
  論文  参考訳（メタデータ） (2023-04-09T06:42:33Z)
• 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)
• Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
  サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
  論文  参考訳（メタデータ） (2021-02-23T20:22:56Z)
• 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)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)
• Improving Qubit Readout with Hidden Markov Models [0.0]
  量子ビット読み出しのための隠れマルコフモデル(HMM)を用いたパターン認識アルゴリズムの適用例を示す。 このスキームは、キュービット状態遷移を検出することのできる状態パス軌道アプローチを提供する。
  論文  参考訳（メタデータ） (2020-05-29T22:49:48Z)

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。