論文の概要: L1-Regularized Functional Support Vector Machine

• arxiv url: http://arxiv.org/abs/2508.05567v2
• Date: Fri, 08 Aug 2025 15:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 14:17:29.564627
• Title: L1-Regularized Functional Support Vector Machine
• Title（参考訳）: L1正規化機能支持ベクトルマシン
• Authors: Bingfan Liu, Peijun Sang,
• Abstract要約: バイナリ分類のための$L_1$-regularized functional support vector machineを提案する。 分類器に適合するように付随するアルゴリズムが開発された。 シミュレーションと1つの実世界の応用による数値的な結果から,提案した分類器は,予測と特徴選択の両方において良好な性能を示すことが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In functional data analysis, binary classification with one functional covariate has been extensively studied. We aim to fill in the gap of considering multivariate functional covariates in classification. In particular, we propose an $L_1$-regularized functional support vector machine for binary classification. An accompanying algorithm is developed to fit the classifier. By imposing an $L_1$ penalty, the algorithm enables us to identify relevant functional covariates of the binary response. Numerical results from simulations and one real-world application demonstrate that the proposed classifier enjoys good performance in both prediction and feature selection.
• Abstract（参考訳）: 機能的データ分析では、1つの機能的共変量を持つバイナリ分類が広く研究されている。 分類における多変量関数共変量の検討のギャップを埋めることを目的としている。 特に、バイナリ分類のための$L_1$-regularized functional support vector machineを提案する。 分類器に適合するように付随するアルゴリズムが開発された。 このアルゴリズムは,$L_1$のペナルティを付与することにより,バイナリ応答の関連関数共変を識別する。 シミュレーションと1つの実世界の応用による数値的な結果から,提案した分類器は,予測と特徴選択の両方において良好な性能を示すことが示された。

関連論文リスト

• On the Geometry of Receiver Operating Characteristic and Precision-Recall Curves [1.6790915329706384]
  二項分類問題における受信者動作特性(ROC)と高精度リコール曲線(PR)の幾何学について検討する。 鍵となる発見は、最もよく使われるバイナリ分類のメトリクスの多くは、単に合成関数 $G := F_p circ F_n-1$ の関数であるということである。
  論文  参考訳（メタデータ） (2025-04-02T23:04:28Z)
• Supervised Manifold Learning for Functional Data [0.0]
  多様体学習の観点から分類の話題を考察する。 低次元表現を学習するためにラベル情報を考慮に入れた新しい近接測度を提案する。
  論文  参考訳（メタデータ） (2025-03-23T05:00:14Z)
• Dynamic Logistic Ensembles with Recursive Probability and Automatic Subset Splitting for Enhanced Binary Classification [2.7396014165932923]
  本稿では,動的ロジスティックアンサンブルモデルを用いた二項分類手法を提案する。 我々は、データセットを複数のサブセットに自動的に分割するアルゴリズムを開発し、分類精度を高めるためにロジスティックモデルのアンサンブルを構築する。 この作業は計算効率と理論厳密さのバランスを取り、複雑な分類タスクに対して堅牢で解釈可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-11-27T00:22:55Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Provable General Function Class Representation Learning in Multitask Bandits and MDPs [58.624124220900306]
  マルチタスク表現学習は、サンプル効率を高めるために強化学習において一般的なアプローチである。 本研究では,解析結果を一般関数クラス表現に拡張する。 バンディットと線形MDPの一般関数クラスにおけるマルチタスク表現学習の利点を理論的に検証する。
  論文  参考訳（メタデータ） (2022-05-31T11:36:42Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Measure Inducing Classification and Regression Trees for Functional Data [0.0]
  機能的データ分析の文脈における分類と回帰問題に対する木に基づくアルゴリズムを提案する。 これは、制約付き凸最適化により重み付き汎函数 L2$ 空間を学習することで達成される。
  論文  参考訳（メタデータ） (2020-10-30T18:49:53Z)
• Linear Classifier Combination via Multiple Potential Functions [0.6091702876917279]
  決定境界からクラスセントロイドまでの距離との距離に基づいてスコアリング関数を計算する新しい概念を提案する。 重要な性質は、提案されたスコア関数がすべての線形基底分類器に対して同じ性質を持つことである。
  論文  参考訳（メタデータ） (2020-10-02T08:11:51Z)
• Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
  我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。 主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
  論文  参考訳（メタデータ） (2019-06-05T07:15:17Z)

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。