論文の概要: Centroid Decision Forest

• arxiv url: http://arxiv.org/abs/2503.19306v1
• Date: Tue, 25 Mar 2025 03:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:52:08.956609
• Title: Centroid Decision Forest
• Title（参考訳）: セントロイド決定林
• Authors: Amjad Ali, Zardad Khan, Saeed Aldahmani,
• Abstract要約: 本稿では,高次元分類のための通常の決定木における分割戦略と木構築を再定義する,新しいアンサンブル学習フレームワークであるCentroid decision forest (CDF)を紹介する。 CDFの分割アプローチは、分割(娘ノード)のセントロイドを構成するために各ノードで最も識別性の高い特徴の選択を決定するために、クラス分離性スコア(CSS)をテートする伝統的な決定木とは異なる。 実験の結果,CDFは高次元分類問題に対する有効性と柔軟性を確立する従来の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License:
• Abstract: This paper introduces the centroid decision forest (CDF), a novel ensemble learning framework that redefines the splitting strategy and tree building in the ordinary decision trees for high-dimensional classification. The splitting approach in CDF differs from the traditional decision trees in theat the class separability score (CSS) determines the selection of the most discriminative features at each node to construct centroids of the partitions (daughter nodes). The splitting criterion uses the Euclidean distance measurements from each class centroid to achieve a splitting mechanism that is more flexible and robust. Centroids are constructed by computing the mean feature values of the selected features for each class, ensuring a class-representative division of the feature space. This centroid-driven approach enables CDF to capture complex class structures while maintaining interpretability and scalability. To evaluate CDF, 23 high-dimensional datasets are used to assess its performance against different state-of-the-art classifiers through classification accuracy and Cohen's kappa statistic. The experimental results show that CDF outperforms the conventional methods establishing its effectiveness and flexibility for high-dimensional classification problems.
• Abstract（参考訳）: 本稿では,高次元分類のための通常の決定木における分割戦略と木構築を再定義する,新しいアンサンブル学習フレームワークであるCentroid decision forest (CDF)を紹介する。 CDFの分割アプローチは、クラス分離性スコア(CSS)が各ノードにおいて最も識別性の高い特徴の選択を決定し、分割(娘ノード)のセントロイドを構成するという従来の決定木とは異なる。 スプリッティング基準は、より柔軟で堅牢なスプリッティング機構を達成するために、各クラスセントロイドからユークリッド距離を測定する。 セントロイドは、各クラスごとに選択された特徴の平均特徴値を計算して構成され、特徴空間のクラス表現分割が保証される。 このセントロイド駆動のアプローチにより、CDFは解釈可能性とスケーラビリティを維持しながら複雑なクラス構造をキャプチャできる。 CDFを評価するために、23の高次元データセットを使用して、分類精度とコーエンのカッパ統計を用いて、異なる最先端の分類器に対してその性能を評価する。 実験の結果,CDFは高次元分類問題に対する有効性と柔軟性を確立する従来の手法よりも優れていた。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
  2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。 このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
  論文  参考訳（メタデータ） (2023-06-07T21:37:21Z)
• Semantic Segmentation via Pixel-to-Center Similarity Calculation [40.62804702162577]
  まず、ピクセルとクラスセンターの類似性の観点から、セマンティックセグメンテーションを再考する。 本稿では,上記の課題に対処するクラスセンター類似層(CCS層)を提案する。 我々のモデルは最先端のCNNベースの手法に対して好適に機能する。
  論文  参考訳（メタデータ） (2023-01-12T08:36:59Z)
• Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
  セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。 機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。 我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
  論文  参考訳（メタデータ） (2023-01-03T13:51:51Z)
• Deep Neural Decision Forest for Acoustic Scene Classification [45.886356124352226]
  音響シーン分類(ASC)は、録音環境の特性に基づいて音声クリップを分類することを目的としている。 深層神経決定林(DNDF)を用いたASCの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-07T14:39:42Z)
• Classification with Nearest Disjoint Centroids [6.332832782461923]
  最寄りのセントロイドに基づく新しい分類法を開発し,これを最寄りのディジョイント・セントロイド分類器と呼ぶ。 本手法は次の2つの側面において最寄りのセントロイド分類器と異なる: (1) 中心ロイドはすべての特徴の代わりに特徴の解離部分集合に基づいて定義され、(2) 距離はユークリッドノルムの代わりに次元正規化ノルムによって誘導される。
  論文  参考訳（メタデータ） (2021-09-21T21:16:36Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• The Max-Cut Decision Tree: Improving on the Accuracy and Running Time of Decision Trees [0.0]
  Max-Cut決定木は、分類決定木構築の標準的なベースラインモデル(正確にはCART Gini)に新しい修正を加えている。 実験の結果,このノードベースの局所化PCAは分類を劇的に改善すると同時に,ベースライン決定木に比べて計算時間を著しく短縮できることがわかった。 CIFAR-100の例では、CPU時間を94%削減しつつ、49%の精度向上を実現している。
  論文  参考訳（メタデータ） (2020-06-25T00:47:21Z)

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。