論文の概要: Kernel-Free Universum Quadratic Surface Twin Support Vector Machines for Imbalanced Data
- arxiv url: http://arxiv.org/abs/2412.01936v1
- Date: Mon, 02 Dec 2024 19:57:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:47:41.411038
- Title: Kernel-Free Universum Quadratic Surface Twin Support Vector Machines for Imbalanced Data
- Title(参考訳): 不均衡データのためのカーネルフリー2次元サーフェスツイン支持ベクトルマシン
- Authors: Hossein Moosaei, Milan Hladík, Ahmad Mousavi, Zheming Gao, Haojie Fu,
- Abstract要約: 不均衡なクラスを持つバイナリ分類タスクは、機械学習において大きな課題となる。
本稿では,2次双立サポートベクトルマシンモデル内のマイノリティクラスをサポートするためにUniversumポイントを活用することで,この問題に対処する新しいアプローチを提案する。
本手法は,Universumの点を組み込むことで,不均衡なデータセットの分類精度と一般化性能を向上させる。
- 参考スコア(独自算出の注目度): 1.8990839669542954
- License:
- Abstract: Binary classification tasks with imbalanced classes pose significant challenges in machine learning. Traditional classifiers often struggle to accurately capture the characteristics of the minority class, resulting in biased models with subpar predictive performance. In this paper, we introduce a novel approach to tackle this issue by leveraging Universum points to support the minority class within quadratic twin support vector machine models. Unlike traditional classifiers, our models utilize quadratic surfaces instead of hyperplanes for binary classification, providing greater flexibility in modeling complex decision boundaries. By incorporating Universum points, our approach enhances classification accuracy and generalization performance on imbalanced datasets. We generated four artificial datasets to demonstrate the flexibility of the proposed methods. Additionally, we validated the effectiveness of our approach through empirical evaluations on benchmark datasets, showing superior performance compared to conventional classifiers and existing methods for imbalanced classification.
- Abstract(参考訳): 不均衡なクラスを持つバイナリ分類タスクは、機械学習において大きな課題となる。
伝統的な分類器は、少数民族の特徴を正確に捉えるのに苦労することが多く、結果として予測性能が劣る偏見のあるモデルとなる。
本稿では,2次双立サポートベクトルマシンモデル内のマイノリティクラスをサポートするために,Universumポイントを活用することで,この問題に対処する新しいアプローチを提案する。
従来の分類器とは異なり、我々のモデルは双対分類に超平面の代わりに二次曲面を利用するため、複雑な決定境界をモデル化する際の柔軟性が向上する。
本手法は,Universumの点を組み込むことで,不均衡なデータセットの分類精度と一般化性能を向上させる。
提案手法の柔軟性を示すために,4つの人工データセットを作成した。
さらに,提案手法の有効性を,ベンチマークデータセットを用いた実証評価により検証し,従来の分類器や既存の不均衡分類手法と比較して優れた性能を示した。
関連論文リスト
- Synthetic Tabular Data Generation for Imbalanced Classification: The Surprising Effectiveness of an Overlap Class [20.606333546028516]
最先端の深部生成モデルでは, 多数例よりも極めて低品質な少数例が得られている。
本稿では,少数分布と多数分布が重複する領域のクラスを導入することで,二進分類ラベルを三進分類ラベルに変換する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-12-20T08:15:20Z) - Statistical Undersampling with Mutual Information and Support Points [4.118796935183671]
大規模データセットにおけるクラス不均衡と分布差は、機械学習の分類タスクにおいて重要な課題である。
本研究は2つの新しいアンダーサンプリング手法,すなわち相互情報に基づく階層化単純ランダムサンプリングとサポートポイント最適化を導入する。
論文 参考訳(メタデータ) (2024-12-19T04:48:29Z) - Granular Ball K-Class Twin Support Vector Classifier [5.543867614999908]
グラニュラーボールKクラスツインサポートベクトル(GB-TWKSVC)
GB-TWKSVCは、Twin Support Vector Machinesとグラニュラーボールコンピューティングを組み合わせた、新しいマルチクラス分類フレームワークである。
その結果、GB-TWKSVCは、パターン認識、障害診断、大規模データ分析を含む領域で広く適用可能であることが示された。
論文 参考訳(メタデータ) (2024-12-06T21:47:49Z) - Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。
本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。
我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
論文 参考訳(メタデータ) (2023-08-27T19:01:29Z) - Learning Optimal Fair Scoring Systems for Multi-Class Classification [0.0]
機械学習モデルには、解釈可能性の欠如と、それらが生成または再現できる望ましくないバイアスに関する懸念が高まっている。
本稿では,混合整数線形計画法(MILP)を用いて,分散性と公正性制約下で本質的に解釈可能なスコアリングシステムを生成する。
論文 参考訳(メタデータ) (2023-04-11T07:18:04Z) - Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。
従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。
ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。
提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
論文 参考訳(メタデータ) (2022-08-04T10:22:24Z) - Ensemble Classifier Design Tuned to Dataset Characteristics for Network
Intrusion Detection [0.0]
データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。
提案手法は二進分類と多進分類の両方で評価される。
論文 参考訳(メタデータ) (2022-05-08T21:06:42Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳(メタデータ) (2021-10-22T01:55:01Z) - Active Hybrid Classification [79.02441914023811]
本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。
本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-01-21T21:09:07Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳(メタデータ) (2020-11-04T23:33:41Z) - Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。
私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
論文 参考訳(メタデータ) (2020-04-07T20:57:44Z)
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。