論文の概要: Chaotic Map based Compression Approach to Classification

• arxiv url: http://arxiv.org/abs/2502.12302v1
• Date: Mon, 17 Feb 2025 20:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:06:31.732125
• Title: Chaotic Map based Compression Approach to Classification
• Title（参考訳）: カオスマップに基づく圧縮手法による分類
• Authors: Harikrishnan N B, Anuja Vats, Nithin Nagaraj, Marius Pedersen,
• Abstract要約: 現代の機械学習アプローチは、複雑さ、計算要求、解釈可能性の低下といったコストでパフォーマンスを優先している。 本稿では,情報理論の観点から学習を再解釈することで,この傾向に挑戦する新しい枠組みを提案する。 複雑なモデルにデータを適合させる従来の手法に従わず、動的システムにおける初期状態の間隔にデータをマッピングする基本的異なる手法を提案する。
• 参考スコア（独自算出の注目度）: 3.3573756702816495
• License:
• Abstract: Modern machine learning approaches often prioritize performance at the cost of increased complexity, computational demands, and reduced interpretability. This paper introduces a novel framework that challenges this trend by reinterpreting learning from an information-theoretic perspective, viewing it as a search for encoding schemes that capture intrinsic data structures through compact representations. Rather than following the conventional approach of fitting data to complex models, we propose a fundamentally different method that maps data to intervals of initial conditions in a dynamical system. Our GLS (Generalized L\"uroth Series) coding compression classifier employs skew tent maps - a class of chaotic maps - both for encoding data into initial conditions and for subsequent recovery. The effectiveness of this simple framework is noteworthy, with performance closely approaching that of well-established machine learning methods. On the breast cancer dataset, our approach achieves 92.98\% accuracy, comparable to Naive Bayes at 94.74\%. While these results do not exceed state-of-the-art performance, the significance of our contribution lies not in outperforming existing methods but in demonstrating that a fundamentally simpler, more interpretable approach can achieve competitive results.
• Abstract（参考訳）: 現代の機械学習アプローチは、複雑さ、計算要求、解釈可能性の低下といったコストでパフォーマンスを優先することが多い。 本稿では、情報理論の観点から学習を再解釈し、コンパクトな表現を通して本質的なデータ構造をキャプチャする符号化スキームの探索として見ることにより、この傾向に挑戦する新しい枠組みを提案する。 複雑なモデルにデータを適合させる従来の手法に従わず、動的システムにおける初期状態の間隔にデータをマッピングする基本的異なる手法を提案する。 我々の GLS (Generalized L\"uroth Series) 符号化圧縮分類器は、初期状態へのデータエンコーディングとその後の回復のために、スキューテントマップ(カオスマップのクラス)を使用している。 この単純なフレームワークの有効性は注目に値するもので、パフォーマンスは確立された機械学習手法に近づきつつある。 乳がんデータセットの精度は92.98 %であり,Naive Bayes 94.74 % に匹敵する。 これらの結果は、最先端のパフォーマンスを上回るものではないが、我々の貢献の意義は、既存の手法を上回るものではなく、根本的にシンプルで、より解釈可能なアプローチが競争的な結果を達成することを実証することにある。

関連論文リスト

• Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
  最適公正表現はいくつかの有用な構造特性を持つことを示す。 そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-26T08:46:48Z)
• DIVE: Subgraph Disagreement for Graph Out-of-Distribution Generalization [44.291382840373]
  本稿では,グラフ機械学習におけるアウト・オブ・ディストリビューションの一般化の課題に対処する。 従来のグラフ学習アルゴリズムは、この仮定が失敗する現実世界のシナリオで失敗する。 この準最適性能に寄与する主な要因は、ニューラルネットワークの本質的な単純さバイアスである。
  論文  参考訳（メタデータ） (2024-08-08T12:08:55Z)
• Bayesian Exploration of Pre-trained Models for Low-shot Image Classification [14.211305168954594]
  本研究はガウス過程に基づくシンプルで効果的な確率的モデルアンサンブルフレームワークを提案する。 平均関数をCLIPとカーネル関数で指定することで,事前知識の統合を実現する。 提案手法は,予測性能に関する競争アンサンブルベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-03-30T10:25:28Z)
• Enhancing Surface Neural Implicits with Curvature-Guided Sampling and Uncertainty-Augmented Representations [37.42624848693373]
  本研究では,高忠実度3次元再構成作業において,深度画像を直接消化する手法を提案する。 高効率なトレーニングデータを生成するため,簡単なサンプリング手法を提案する。 その単純さにもかかわらず、本手法は古典的および学習的ベースラインの両方に優れる。
  論文  参考訳（メタデータ） (2023-06-03T12:23:17Z)
• Phantom Embeddings: Using Embedding Space for Model Regularization in Deep Neural Networks [12.293294756969477]
  機械学習モデルの強みは、データから複雑な関数近似を学ぶ能力に起因している。 複雑なモデルはトレーニングデータを記憶する傾向があり、結果としてテストデータの正規化性能が低下する。 情報豊富な潜伏埋め込みと高いクラス内相関を利用してモデルを正規化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-14T17:15:54Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Supervised Dimensionality Reduction and Classification with Convolutional Autoencoders [1.1164202369517053]
  畳み込みオートエンコーダを組み合わせることで、教師付き次元の減少と予測を同時に生成する。 結果として得られるラテント空間は、伝統的な解釈可能な分類アルゴリズムを改善するために利用することができる。 提案手法は, 生成した潜在空間を通してのデータ構造だけでなく, 分類行動についても, 高度な説明可能性を導入している。
  論文  参考訳（メタデータ） (2022-08-25T15:18:33Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)

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。