論文の概要: A supervised discriminant data representation: application to pattern classification

• arxiv url: http://arxiv.org/abs/2510.21898v1
• Date: Fri, 24 Oct 2025 14:30:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.694171
• Title: A supervised discriminant data representation: application to pattern classification
• Title（参考訳）: 教師付き識別データ表現:パターン分類への応用
• Authors: Fadi Dornaika, Ahmad Khoder, Abdelmalik Moujahid, Wassim Khoder,
• Abstract要約: 教師付き多クラス分類問題において,ハイブリッド線形特徴抽出方式を提案する。 最近の2つの線形判別法に着想を得て、これらの2つの強力な手法の利点を維持できる統一的基準を提案する。 提案するフレームワークは、他の線形判別式埋め込み法の組み合わせとチューニングを可能にするという意味で汎用的である。
• 参考スコア（独自算出の注目度）: 8.941002231783067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of machine learning and pattern recognition algorithms generally depends on data representation. That is why, much of the current effort in performing machine learning algorithms goes into the design of preprocessing frameworks and data transformations able to support effective machine learning. The method proposed in this work consists of a hybrid linear feature extraction scheme to be used in supervised multi-class classification problems. Inspired by two recent linear discriminant methods: robust sparse linear discriminant analysis (RSLDA) and inter-class sparsitybased discriminative least square regression (ICS_DLSR), we propose a unifying criterion that is able to retain the advantages of these two powerful methods. The resulting transformation relies on sparsity-promoting techniques both to select the features that most accurately represent the data and to preserve the row-sparsity consistency property of samples from the same class. The linear transformation and the orthogonal matrix are estimated using an iterative alternating minimization scheme based on steepest descent gradient method and different initialization schemes. The proposed framework is generic in the sense that it allows the combination and tuning of other linear discriminant embedding methods. According to the experiments conducted on several datasets including faces, objects, and digits, the proposed method was able to outperform competing methods in most cases.
• Abstract（参考訳）: 機械学習とパターン認識アルゴリズムの性能は一般的にデータ表現に依存する。 そのため、機械学習アルゴリズムの実行における現在の取り組みの多くは、機械学習を効果的にサポートできる前処理フレームワークやデータ変換の設計に取り込まれています。 本研究で提案する手法は、教師付き多クラス分類問題に使用されるハイブリッド線形特徴抽出スキームから成り立っている。 近年,2つの線形判別法であるロバストスパース線形判別法 (RSLDA) とクラス間スペーサ性に基づく最小二乗回帰法 (ICS_DLSR) に着想を得て,これらの2つの手法の利点を維持できる統一基準を提案する。 結果として得られる変換は、データを最も正確に表現する特徴を選択することと、同じクラスからサンプルの行スパーシティ整合性を維持することの両方に、スパーシビリティ・プロモーティング技術に依存している。 最も急勾配法と異なる初期化法に基づく反復交互最小化法を用いて線形変換と直交行列を推定する。 提案するフレームワークは、他の線形判別式埋め込み法の組み合わせとチューニングを可能にするという意味で汎用的である。 顔、物体、数字を含む複数のデータセットで行った実験によると、ほとんどの場合、提案手法は競合する手法よりも優れていた。

関連論文リスト

• MIBoost: A Gradient Boosting Algorithm for Variable Selection After Multiple Imputation [0.0]
  実際には、分析は欠落データによって複雑になることが多い。 提案するMIBoostは,命令付きデータセット間で均一な可変選択機構を持つ新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-29T13:42:38Z)
• 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)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• Unsupervised feature selection via self-paced learning and low-redundant regularization [6.083524716031565]
  自己評価学習とサブスペース学習の枠組みを統合することにより,教師なしの特徴選択を提案する。 この手法の収束性は理論的および実験的に証明される。 実験の結果,提案手法はクラスタリング法の性能を向上し,他の比較アルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-14T08:28:19Z)
• Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
  複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。 提案手法は,個々の試料の重量を定義する確率モデルに基づく。 サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
  論文  参考訳（メタデータ） (2020-04-08T19:40:53Z)

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。