Fugu-MT 論文翻訳(概要): Empirical risk minimization algorithm for multiclass classification of S.D.E. paths

論文の概要: Empirical risk minimization algorithm for multiclass classification of S.D.E. paths

arxiv url: http://arxiv.org/abs/2503.14045v1
Date: Tue, 18 Mar 2025 09:06:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-19 14:17:52.835224
Title: Empirical risk minimization algorithm for multiclass classification of S.D.E. paths
Title（参考訳）: S.D.E.経路の多クラス分類のための経験的リスク最小化アルゴリズム
Authors: Christophe Denis, Eddy Ella Mintsa,
Abstract要約: L2リスクの最小化に依存する分類アルゴリズムを提案する。結果の予測値に対する収束率を確立する。シミュレーションでは,分類アルゴリズムの数値的性能を強調した。
参考スコア（独自算出の注目度）: 2.3940819037450987
License:
Abstract: We address the multiclass classification problem for stochastic diffusion paths, assuming that the classes are distinguished by their drift functions, while the diffusion coefficient remains common across all classes. In this setting, we propose a classification algorithm that relies on the minimization of the L 2 risk. We establish rates of convergence for the resulting predictor. Notably, we introduce a margin assumption under which we show that our procedure can achieve fast rates of convergence. Finally, a simulation study highlights the numerical performance of our classification algorithm.
Abstract（参考訳）: 確率拡散経路の多クラス分類問題に対処し、クラスがドリフト関数によって区別される一方、拡散係数はすべてのクラスで共通であるとする。本稿では,L2リスクの最小化に依存する分類アルゴリズムを提案する。結果の予測値に対する収束率を確立する。特に,本手法が収束速度を高速に達成できることを示す余剰仮定を導入する。最後に、シミュレーション研究により、分類アルゴリズムの数値的性能を強調した。

関連論文リスト

New Lower Bounds for Stochastic Non-Convex Optimization through Divergence Composition [11.530542389959347]
L-凸性(QC)、擬似成長(SmoothQG)、制限不等式(RSI)などの非次元設定における一階最適化の基本的限界を示す。
論文参考訳（メタデータ） (2025-02-19T19:21:00Z)
Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。提案手法は,画像分類における既存の手法よりも優れている。
論文参考訳（メタデータ） (2022-12-02T07:31:39Z)
Coefficient-based Regularized Distribution Regression [4.21768682940933]
我々は、確率測度から実数値応答への回帰を目的とした係数に基づく正規化分布回帰を、Hilbert空間(RKHS)上で考える。回帰関数の正則範囲が異なるアルゴリズムの漸近挙動を包括的に研究した。最適速度は、いくつかの穏やかな条件下で得られるが、これは1段のサンプル化された最小値の最適速度と一致する。
論文参考訳（メタデータ） (2022-08-26T03:46:14Z)
Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文参考訳（メタデータ） (2022-01-26T19:59:14Z)
Convergence of Uncertainty Sampling for Active Learning [11.115182142203711]
複数のクラスに拡張する二項分類のための効率的な不確実性推定器を提案する。我々は,二項分類と多項分類のタスクにおいて,雑音の影響下でのアルゴリズムの理論的保証を提供する。
論文参考訳（メタデータ） (2021-10-29T13:51:30Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
Learning Gaussian Mixtures with Generalised Linear Models: Precise Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。実験的リスク最小化による高次元推定器の精度を実証する。合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文参考訳（メタデータ） (2021-06-07T16:53:56Z)
Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文参考訳（メタデータ） (2020-10-15T16:14:27Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)
On Last-Layer Algorithms for Classification: Decoupling Representation from Uncertainty Estimation [27.077741143188867]
本稿では,分類課題を表現学習と不確実性推定の2段階に分けたアルゴリズム群を提案する。選択的分類(リスクカバレッジ)および分布外サンプルの検出能力の観点から,それらの性能を評価する。
論文参考訳（メタデータ） (2020-01-22T15:08:30Z)

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。