論文の概要: Granular Ball K-Class Twin Support Vector Classifier

• arxiv url: http://arxiv.org/abs/2412.05438v1
• Date: Fri, 06 Dec 2024 21:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:53:55.733454
• Title: Granular Ball K-Class Twin Support Vector Classifier
• Title（参考訳）: グラニュラーボールKクラスツインサポートベクトル分類器
• Authors: M. A. Ganaie, Vrushank Ahire, Anouck Girard,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.543867614999908
• License:
• Abstract: This paper introduces the Granular Ball K-Class Twin Support Vector Classifier (GB-TWKSVC), a novel multi-class classification framework that combines Twin Support Vector Machines (TWSVM) with granular ball computing. The proposed method addresses key challenges in multi-class classification by utilizing granular ball representation for improved noise robustness and TWSVM's non-parallel hyperplane architecture solves two smaller quadratic programming problems, enhancing efficiency. Our approach introduces a novel formulation that effectively handles multi-class scenarios, advancing traditional binary classification methods. Experimental evaluation on diverse benchmark datasets shows that GB-TWKSVC significantly outperforms current state-of-the-art classifiers in both accuracy and computational performance. The method's effectiveness is validated through comprehensive statistical tests and complexity analysis. Our work advances classification algorithms by providing a mathematically sound framework that addresses the scalability and robustness needs of modern machine learning applications. The results demonstrate GB-TWKSVC's broad applicability across domains including pattern recognition, fault diagnosis, and large-scale data analytics, establishing it as a valuable addition to the classification algorithm landscape.
• Abstract（参考訳）: 本稿では,TWSVM(Twin Support Vector Machines)と粒度計算を組み合わせた多クラス分類フレームワークであるGranular Ball K-Class Twin Support Vector Classifier (GB-TWKSVC)を紹介する。 TWSVMの非並列超平面アーキテクチャは、2つの小さな二次計画問題の解法であり、効率を向上する。 提案手法では,複数クラスシナリオを効果的に扱える新しい定式化を導入し,従来のバイナリ分類手法を推し進める。 多様なベンチマークデータセットに対する実験的評価は、GB-TWKSVCが現在の最先端の分類器を精度と計算性能の両方で著しく上回っていることを示している。 この手法の有効性は、総合的な統計テストと複雑性分析によって検証される。 我々の研究は、現代の機械学習アプリケーションのスケーラビリティと堅牢性のニーズに対処する数学的に健全なフレームワークを提供することで、分類アルゴリズムを進化させます。 その結果、GB-TWKSVCは、パターン認識、故障診断、大規模データ分析など、幅広い分野に適用可能であることが示され、分類アルゴリズムのランドスケープへの付加価値が確立された。

関連論文リスト

• Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
  本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。 TCGAデータセットの4つの実験により、我々のQPMIL-VLフレームワークが漸進的なWSI分類に有効であることが示された。
  論文  参考訳（メタデータ） (2024-10-14T14:49:34Z)
• 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)
• A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
  我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。 本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-07-03T08:54:45Z)
• MISS: Multiclass Interpretable Scoring Systems [13.902264070785986]
  MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。 MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。 結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
  論文  参考訳（メタデータ） (2024-01-10T10:57:12Z)
• Efficient Training of One Class Classification-SVMs [0.0]
  そこで本研究では,一級分類の実施に高効率なトレーニング手法を用いることを検討した。 本稿では,デュアルソフトマージンワンクラスSVM学習のための効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-28T15:35:16Z)
• 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)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• 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)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches [67.51747235117]
  きめ細かい視覚分類(FGVC)は従来の分類よりもはるかに難しい。 最近の研究は主に、最も差別的な部分の発見に焦点をあてることによってこの問題に対処している。 本稿では,これらの問題に対処するための視覚的細粒度分類のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-08T19:27:30Z)

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。