論文の概要: GBSVR: Granular Ball Support Vector Regression

• arxiv url: http://arxiv.org/abs/2503.10539v1
• Date: Thu, 13 Mar 2025 16:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:55:04.065035
• Title: GBSVR: Granular Ball Support Vector Regression
• Title（参考訳）: GBSVR: グラニュラーボールサポートベクター回帰
• Authors: Reshma Rastogi, Ankush Bisht, Sanjay Kumar, Suresh Chandra,
• Abstract要約: 回帰問題に対処するため,GBSVR(Granular Ball Support Vector Regression)を提案する。 この研究は、グラニュラーボールの構築を容易にするために、連続値属性の離散化法も提案する。
• 参考スコア（独自算出の注目度）: 12.470540422791462
• License:
• Abstract: Support Vector Regression (SVR) and its variants are widely used to handle regression tasks, however, since their solution involves solving an expensive quadratic programming problem, it limits its application, especially when dealing with large datasets. Additionally, SVR uses an epsilon-insensitive loss function which is sensitive to outliers and therefore can adversely affect its performance. We propose Granular Ball Support Vector Regression (GBSVR) to tackle problem of regression by using granular ball concept. These balls are useful in simplifying complex data spaces for machine learning tasks, however, to the best of our knowledge, they have not been sufficiently explored for regression problems. Granular balls group the data points into balls based on their proximity and reduce the computational cost in SVR by replacing the large number of data points with far fewer granular balls. This work also suggests a discretization method for continuous-valued attributes to facilitate the construction of granular balls. The effectiveness of the proposed approach is evaluated on several benchmark datasets and it outperforms existing state-of-the-art approaches
• Abstract（参考訳）: サポートベクター回帰(SVR)とその変種は回帰処理に広く使われているが、そのソリューションは高価な二次的プログラミング問題の解決に関わるため、特に大規模なデータセットを扱う場合、アプリケーションを制限する。 さらに、SVRは、外れ値に敏感なエプシロン非感受性損失関数を使用するため、その性能に悪影響を及ぼす可能性がある。 グラニュラーボールの概念を用いて回帰問題に取り組むために, グラニュラーボール支援ベクトル回帰(GBSVR)を提案する。 これらの球は、機械学習タスクのための複雑なデータ空間を単純化するのに有用であるが、私たちの知る限り、回帰問題に対して十分に検討されていない。 粒状球は、その近接性に基づいてデータポイントをボールにグループ化し、多数のデータポイントをはるかに少ない粒状球に置き換えることで、SVRの計算コストを削減する。 この研究は、グラニュラーボールの構築を容易にするために、連続値属性の離散化法も提案する。 提案手法の有効性は,いくつかのベンチマークデータセットで評価され,既存の最先端手法よりも優れている。

関連論文リスト

• GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing [48.33779268699777]
  ファジィ粗セット理論は複雑な属性を持つデータセットを処理するのに有効である。 既存のモデルのほとんどは最も細かい粒度で動作しており、非効率でノイズに敏感である。 本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
  論文  参考訳（メタデータ） (2025-01-30T15:09:26Z)
• Obstacle-aware Gaussian Process Regression [3.2634122554914002]
  障害物を意識した軌道ナビゲーションは多くのシステムにとって不可欠である。 ガウス過程の回帰は、現在の形式では、曲線を一連のデータ対に適合させる。 負のデータ対にモデルを適合させる「GP-ND(Gaussian Process with Negative Datapairs)」を提案する。
  論文  参考訳（メタデータ） (2024-12-09T02:50:20Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• A Conditional Randomization Test for Sparse Logistic Regression in High-Dimension [36.00360315353985]
  emphCRT-logitは、変数蒸留ステップとデコレーションステップを組み合わせたアルゴリズムである。 本手法の理論的解析を行い,大規模な脳画像とゲノムデータセットの実験とともにシミュレーションにおける有効性を示す。
  論文  参考訳（メタデータ） (2022-05-29T09:37:16Z)
• Adiabatic Quantum Feature Selection for Sparse Linear Regression [0.17499351967216337]
  合成および実世界のデータセット上でQUBOソリューションの品質を定式化し比較する。 その結果, 最適解を求める上で, 提案した断熱量子コンピューティング手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-06-04T09:14:01Z)
• A Precise Performance Analysis of Support Vector Regression [105.94855998235232]
  我々は,n$の線形測定に応用したハードおよびソフトサポートベクター回帰法について検討した。 得られた結果は、ハードおよびソフトサポートベクトル回帰アルゴリズムの設計に介入するパラメータを最適に調整するために使用される。
  論文  参考訳（メタデータ） (2021-05-21T14:26:28Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Nonlinear Distribution Regression for Remote Sensing Applications [6.664736150040092]
  多くのリモートセンシングアプリケーションでは、観察から関心のある変数やパラメータを推定したい。 ニューラルネットワーク、ランダムフォレスト、ガウス過程などの標準アルゴリズムは、これら2つに関連して容易に利用可能である。 本稿では, グループ化されたデータの統計を仮定することなく, 従来の問題を解く非線形(カーネルベース)な分散回帰法を提案する。
  論文  参考訳（メタデータ） (2020-12-07T22:04:43Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)
• RepPoints V2: Verification Meets Regression for Object Detection [65.120827759348]
  本稿ではRepPointsのローカライズ予測に検証タスクを導入する。 RepPoints v2は、オリジナルのRepPointsよりも約2.0mAPの一貫性のある改善を提供する。 提案手法は、インスタンスセグメンテーションのようなアプリケーションと同様に、他のオブジェクト検出フレームワークをより高めることができることを示す。
  論文  参考訳（メタデータ） (2020-07-16T17:57:08Z)

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。