論文の概要: On the Development of Binary Classification Algorithm Based on Principles of Geometry and Statistical Inference

• arxiv url: http://arxiv.org/abs/2503.01703v1
• Date: Mon, 03 Mar 2025 16:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:12.251354
• Title: On the Development of Binary Classification Algorithm Based on Principles of Geometry and Statistical Inference
• Title（参考訳）: 幾何学と統計的推論の原理に基づく二項分類アルゴリズムの開発
• Authors: Vatsal Srivastava,
• Abstract要約: 本稿では,ベクトル,平面,ベクトル代数といった幾何学の原理を用いて二項分類アルゴリズムを構築する試みについて検討する。 このアルゴリズムは、データセットがマッピングされたハイパースペースを通してポイントを移動させることに重点を置いているため、移動点アルゴリズムと呼ばれている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The aim of this paper is to investigate an attempt to build a binary classification algorithm using principles of geometry such as vectors, planes, and vector algebra. The basic idea behind the proposed algorithm is that a hyperplane can be used to completely separate a given set of data points mapped to n dimensional space, if the given data points are linearly separable in the n dimensions. Since points are the foundational elements of any geometrical construct, by manipulating the position of points used for the construction of a given hyperplane, the position of the hyperplane itself can be manipulated. The paper includes testing data against other classifiers on a variety of standard machine learning datasets. With a focus on support vector machines, since they and our proposed classifier use the same geometrical construct of hyperplane, and the versatility of SVMs make them a good bench mark for comparison. Since the algorithm focuses on moving the points through the hyperspace to which the dataset has been mapped, it has been dubbed as moving points algorithm.
• Abstract（参考訳）: 本研究の目的は,ベクトル,平面,ベクトル代数といった幾何学の原理を用いた二項分類アルゴリズムの構築の試みである。 提案アルゴリズムの背景にある基本的な考え方は、与えられたデータポイントが n 次元で線形に分離可能であれば、与えられた n 次元空間にマッピングされたデータポイントの集合を完全に分離することができるということである。 点は任意の幾何学的構成の基本的な要素であるため、与えられた超平面の構築に使用される点の位置を操作することで、超平面自体の位置を操作できる。 論文には、さまざまな標準機械学習データセット上で、他の分類器に対してデータをテストすることが含まれる。 サポートベクトルマシンに焦点をあてて、提案した分類器は、超平面の同じ幾何学的構成を用いており、SVMの汎用性は、比較のための良いベンチマークとなる。 このアルゴリズムは、データセットがマッピングされたハイパースペースを通してポイントを移動させることに重点を置いているため、移動点アルゴリズムと呼ばれている。

関連論文リスト

• Direction of Arrival Estimation with Sparse Subarrays [0.0]
  本稿では,タイプIとタイプIIの2つの配列カテゴリを含む配列アーキテクチャを提案する。 そこで我々は,部分的に校正された配列シナリオに適した2つのDOA推定アルゴリズムを考案した。 アルゴリズムは、利用可能な物理センサーの数よりも多くのソースを推定することができる。
  論文  参考訳（メタデータ） (2024-08-17T23:47:24Z)
• Boundary Detection Algorithm Inspired by Locally Linear Embedding [8.259071011958254]
  本稿では,広く使用されている局所的線形埋め込みアルゴリズムにインスパイアされた境界点検出手法を提案する。 本手法は,2つの近傍探索スキーム($epsilon$-radius ball scheme)と$K$-nearest neighbor scheme($K$-nearest neighbor scheme)を用いて実装する。
  論文  参考訳（メタデータ） (2024-06-26T16:05:57Z)
• An example of use of Variational Methods in Quantum Machine Learning [0.0]
  本稿では,平面上の特定の幾何学的パターンの点を二項分類する量子ニューラルネットワークを提案する。 その意図は、ポイントを正しく認識し分類できる最小限のトレーニング可能なパラメータを持つ量子ディープニューラルネットワークを作ることであった。
  論文  参考訳（メタデータ） (2022-08-07T03:52:42Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Determinantal consensus clustering [77.34726150561087]
  本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
  論文  参考訳（メタデータ） (2021-02-07T23:48:24Z)
• Generalized Penalty for Circular Coordinate Representation [4.054792094932801]
  トポロジカルデータ分析(TDA)は、データセットの幾何学的形状とトポロジ的構造を分析する新しいアプローチを提供する。 本研究では, 円座標の粗さを考慮に入れた円座標系を, 変化点および高次元の応用に適用する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-03T22:01:10Z)
• Clustering by Constructing Hyper-Planes [0.0]
  データポイントを識別するハイパープレーンを探索し,クラスタリングアルゴリズムを提案する。 中心とクラスターの数を決定するために点間の限界空間に依存する。 このアルゴリズムは線形構造に基づいており、データセットの分布を正確にかつ柔軟に近似することができる。
  論文  参考訳（メタデータ） (2020-04-25T08:52:21Z)
• Unsupervised Learning of Category-Specific Symmetric 3D Keypoints from Point Sets [71.84892018102465]
  本稿では,未知のカテゴリから,対象物の3次元点群を不一致に集めて,カテゴリ固有の3Dキーポイントを教師なしで学習することを目的とする。 私たちの知る限りでは、このようなキーポイントを直接3Dポイントクラウドから学ぶための最初の作業です。
  論文  参考訳（メタデータ） (2020-03-17T10:28:02Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。