論文の概要: Granular Ball Twin Support Vector Machine with Universum Data

• arxiv url: http://arxiv.org/abs/2412.03375v1
• Date: Wed, 04 Dec 2024 15:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:07:26.680160
• Title: Granular Ball Twin Support Vector Machine with Universum Data
• Title（参考訳）: ユニバーサムデータを用いたグラニュラーボールツイン支持ベクトルマシン
• Authors: M. A. Ganaie, Vrushank Ahire,
• Abstract要約: 大学データを用いた新しいグラニュラーボールツインサポートベクトルマシン(GBU-TSVM)を提案する。 提案したGBU-TSVMは,データインスタンスを特徴空間のポイントではなく,ハイパーボールとして表現する。 データポイントをグラニュラーボールにグループ化することにより、計算効率の向上、耐雑音性の向上、解釈可能性の向上を実現している。
• 参考スコア（独自算出の注目度）: 4.573310303307945
• License:
• Abstract: Classification with support vector machines (SVM) often suffers from limited performance when relying solely on labeled data from target classes and is sensitive to noise and outliers. Incorporating prior knowledge from Universum data and more robust data representations can enhance accuracy and efficiency. Motivated by these findings, we propose a novel Granular Ball Twin Support Vector Machine with Universum Data (GBU-TSVM) that extends the TSVM framework to leverage both Universum samples and granular ball computing during model training. Unlike existing TSVM methods, the proposed GBU-TSVM represents data instances as hyper-balls rather than points in the feature space. This innovative approach improves the model's robustness and efficiency, particularly in handling noisy and large datasets. By grouping data points into granular balls, the model achieves superior computational efficiency, increased noise resistance, and enhanced interpretability. Additionally, the inclusion of Universum data, which consists of samples that are not strictly from the target classes, further refines the classification boundaries. This integration enriches the model with contextual information, refining classification boundaries and boosting overall accuracy. Experimental results on UCI benchmark datasets demonstrate that the GBU-TSVM outperforms existing TSVM models in both accuracy and computational efficiency. These findings highlight the potential of the GBU-TSVM model in setting a new standard in data representation and classification.
• Abstract（参考訳）: サポートベクターマシン(SVM)による分類は、ターゲットクラスのラベル付きデータのみに依存する場合、限られたパフォーマンスに悩まされることが多く、ノイズや外れ値に敏感である。 ユニバーサムデータとより堅牢なデータ表現から事前知識を取り入れることで、精度と効率を向上させることができる。 そこで本研究では, TSVMフレームワークを拡張したGBU-TSVM(Granular Ball Twin Support Vector Machine with Universum Data)を提案する。 既存のTSVMメソッドとは異なり、提案されたGBU-TSVMは、データインスタンスを特徴空間のポイントではなくハイパーボールとして表現する。 この革新的なアプローチは、特にノイズの多いデータセットや大規模なデータセットを扱う場合、モデルの堅牢性と効率を改善します。 データポイントをグラニュラーボールにグループ化することにより、計算効率の向上、耐雑音性の向上、解釈可能性の向上を実現している。 さらに、対象クラスから厳密に選抜されていないサンプルからなるUniversumデータを含めることで、分類の境界をさらに洗練する。 この統合は、コンテキスト情報でモデルを強化し、分類境界を洗練し、全体的な精度を高める。 UCIベンチマークデータセットの実験結果は、GBU-TSVMが既存のTSVMモデルよりも精度と計算効率の両方で優れていることを示している。 これらの知見はGBU-TSVMモデルがデータ表現と分類の新しい標準を策定する可能性を強調している。

関連論文リスト

• Intuitionistic Fuzzy Universum Twin Support Vector Machine for Imbalanced Data [0.0]
  機械学習手法の大きな問題の1つは、不均衡なデータセットを分類することである。 不均衡データ(IFUTSVM-ID)のための直観的ファジィユニバームツインサポートベクトルマシンを提案する。 雑音や外周の影響を軽減するため,直観主義的なファジィ・メンバシップ・スキームを用いる。
  論文  参考訳（メタデータ） (2024-10-27T04:25:42Z)
• 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)
• 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)
• 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)
• DANCE: DAta-Network Co-optimization for Efficient Segmentation Model Training and Inference [85.02494022662505]
  DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。 入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。 実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
  論文  参考訳（メタデータ） (2021-07-16T04:58:58Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• 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)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)
• Convolutional Support Vector Machine [1.5990720051907859]
  本稿では、より小さなデータセットをマイニングする精度と有効性を改善するために、CNNとSVMの両方の利点を持つ新しい畳み込みSVM(CSVM)を提案する。 提案したCSVMの性能を評価するため,分類問題に対する5つのよく知られたベンチマークデータベースをテストする実験を行った。
  論文  参考訳（メタデータ） (2020-02-11T11:23:21Z)

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。