論文の概要: CI-RKM: A Class-Informed Approach to Robust Restricted Kernel Machines

• arxiv url: http://arxiv.org/abs/2504.11476v1
• Date: Sat, 12 Apr 2025 11:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:39:03.523248
• Title: CI-RKM: A Class-Informed Approach to Robust Restricted Kernel Machines
• Title（参考訳）: CI-RKM:ロバスト制限カーネルマシンへのクラスインフォームドアプローチ
• Authors: Ritik Mishra, Mushir Akhtar, M. Tanveer,
• Abstract要約: 制限されたカーネルマシン(RKM)はカーネルマシンファミリー内の汎用的で強力なフレームワークである。 本稿では,クラスインフォームド重み付き関数を統合することにより,RKMフレームワークの新たな拡張を提案する。 提案手法は,カーネルベースの学習モデルの開発において,大きな進歩をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Restricted kernel machines (RKMs) represent a versatile and powerful framework within the kernel machine family, leveraging conjugate feature duality to address a wide range of machine learning tasks, including classification, regression, and feature learning. However, their performance can degrade significantly in the presence of noise and outliers, which compromises robustness and predictive accuracy. In this paper, we propose a novel enhancement to the RKM framework by integrating a class-informed weighted function. This weighting mechanism dynamically adjusts the contribution of individual training points based on their proximity to class centers and class-specific characteristics, thereby mitigating the adverse effects of noisy and outlier data. By incorporating weighted conjugate feature duality and leveraging the Schur complement theorem, we introduce the class-informed restricted kernel machine (CI-RKM), a robust extension of the RKM designed to improve generalization and resilience to data imperfections. Experimental evaluations on benchmark datasets demonstrate that the proposed CI-RKM consistently outperforms existing baselines, achieving superior classification accuracy and enhanced robustness against noise and outliers. Our proposed method establishes a significant advancement in the development of kernel-based learning models, addressing a core challenge in the field.
• Abstract（参考訳）: 制限されたカーネルマシン(RKM)はカーネルマシンファミリー内の汎用的で強力なフレームワークであり、共役的特徴の双対性を利用して、分類、回帰、特徴学習を含む幅広い機械学習タスクに対処する。 しかし、その性能はノイズや外れ値の存在下で著しく低下し、堅牢性と予測精度を損なう。 本稿では,クラスインフォームド重み付き関数を統合することにより,RKMフレームワークの新たな拡張を提案する。 この重み付け機構は、クラスセンターに近接する個々のトレーニングポイントの寄与度とクラス固有の特性を動的に調整し、ノイズや外れ値データの悪影響を緩和する。 重み付き共役特徴双対性を導入し、シュル補定理を活用することにより、データ不完全性に対する一般化とレジリエンスを改善するために設計されたRKMの堅牢な拡張であるクラスインフォームド制限カーネルマシン(CI-RKM)を導入する。 ベンチマークデータセットの実験的評価は、提案したCI-RKMが既存のベースラインを一貫して上回り、より優れた分類精度とノイズや外れ値に対する堅牢性の向上を実現していることを示している。 提案手法は,カーネルベースの学習モデルの開発において,この分野における中核的な課題に対処する上で,大きな進歩を図っている。

関連論文リスト

• One Class Restricted Kernel Machines [0.0]
  制限されたカーネルマシン(RKM)は、機械学習の分野における一般化能力の向上に大きな影響を与えている。 RKMsの有効性は、データセット内の外れ値やその他の汚染形態の存在によって損なわれる可能性がある。 この重要な問題とモデルの堅牢性に対処するため、我々は新しい一級RKM(OCRKM)を提案する。 OCRKM の枠組みでは、可視変数と隠れ変数の両方を非確率的に統合する RBM と同様のエネルギー関数を用いる。
  論文  参考訳（メタデータ） (2025-02-11T07:11:20Z)
• Enhancing Robust Fairness via Confusional Spectral Regularization [6.041034366572273]
  PAC-Bayesian フレームワーク内の最悪のクラスにおけるロバストなエラーに対して、ロバストな一般化を導出する。 本稿では,最低級のロバストな精度を向上し,ロバストな公正性を向上する新たな正則化手法を提案する。
  論文  参考訳（メタデータ） (2025-01-22T23:32:19Z)
• 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)
• Robust VAEs via Generating Process of Noise Augmented Data [9.366139389037489]
  本稿では,原データと雑音増大データ間の潜時空間のばらつきを規則化し,ロバスト性を高める新しい枠組みを提案する。 実験により,ロバスト拡張変分オートエンコーダ(RAVEN)と呼ばれるこの手法は,対向入力に対して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2024-07-26T09:55:34Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
  本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。 提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-01T06:16:18Z)
• ARBEx: Attentive Feature Extraction with Reliability Balancing for Robust Facial Expression Learning [5.648318448953635]
  ARBExはVision Transformerによって駆動される新しい注意的特徴抽出フレームワークである。 ラベル分布とマルチヘッド自己保持機構を備えた埋め込み空間において学習可能なアンカーポイントを用いて、弱い予測に対する性能を最適化する。 我々の戦略は、様々な文脈で実施された広範な実験により、現在の最先端の方法論よりも優れています。
  論文  参考訳（メタデータ） (2023-05-02T15:10:01Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• Learning to Learn Kernels with Variational Random Features [118.09565227041844]
  メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。 変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-11T18:05:29Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Robust Generative Restricted Kernel Machines using Weighted Conjugate Feature Duality [11.68800227521015]
  制限カーネルマシン(RKM)のフレームワークにおける重み付き共役特徴双対性を導入する。 RKMの定式化により、古典的なロバスト統計からメソッドを簡単に統合できる。 実験により、トレーニングデータに汚染が存在する場合、重み付けされたRKMはクリーンな画像を生成することができることが示された。
  論文  参考訳（メタデータ） (2020-02-04T09:23:25Z)

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。