論文の概要: Support Vector Machine Classifier with Rescaled Huberized Pinball Loss

• arxiv url: http://arxiv.org/abs/2511.22065v1
• Date: Thu, 27 Nov 2025 03:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.376455
• Title: Support Vector Machine Classifier with Rescaled Huberized Pinball Loss
• Title（参考訳）: 再スケール化ピンボール損失を考慮したサポートベクトルマシン分類器
• Authors: Shibo Diao,
• Abstract要約: サポートベクトルマシン(SVM)は機械学習の分類タスクで広く使われている。 SVMモデルは、リサンプリングや小さなサンプルデータにおける不安定性に対する感受性に悩まされる。 非対称な損失関数を新たに再スケールした性能アプリケーションを開発した。
• 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: Support vector machines are widely used in machine learning classification tasks, but traditional SVM models suffer from sensitivity to outliers and instability in resampling, which limits their performance in practical applications. To address these issues, this paper proposes a novel rescaled Huberized pinball loss function with asymmetric, non-convex, and smooth properties. Based on this loss function, we develop a corresponding SVM model called RHPSVM (Rescaled Huberized Pinball Loss Support Vector Machine). Theoretical analyses demonstrate that RHPSVM conforms to Bayesian rules, has a strict generalization error bound, a bounded influence function, and controllable optimality conditions, ensuring excellent classification accuracy, outlier insensitivity, and resampling stability. Additionally, RHPSVM can be extended to various advanced SVM variants by adjusting parameters, enhancing its flexibility. We transform the non-convex optimization problem of RHPSVM into a series of convex subproblems using the concave-convex procedure (CCCP) and solve it with the ClipDCD algorithm, which is proven to be convergent. Experimental results on simulated data, UCI datasets, and small-sample crop leaf image classification tasks show that RHPSVM outperforms existing SVM models in both noisy and noise-free scenarios, especially in handling high-dimensional small-sample data.
• Abstract（参考訳）: サポートベクターマシンは機械学習の分類タスクで広く使われているが、従来のSVMモデルは、リサンプリングにおける外れ値に対する感度と不安定さに悩まされており、実用的なアプリケーションではパフォーマンスが制限されている。 これらの問題に対処するために,非対称,非凸,スムーズな特性を有する新しい再スケール型ピンボール損失関数を提案する。 この損失関数に基づいて、RHPSVM(Rescaled Huberized Pinball Loss Support Vector Machine)と呼ばれる対応するSVMモデルを開発する。 理論的解析により、RHPSVMはベイズ規則に準拠し、厳密な一般化誤差境界、有界影響関数、制御可能な最適条件を持ち、優れた分類精度、外れ値の感度、再サンプリング安定性を保証している。 さらに、RHPSVMはパラメータを調整し、柔軟性を高めることで、様々な先進的なSVMに拡張することができる。 我々は, RHPSVM の非凸最適化問題を, CCCP (concave-convex procedure) を用いて一連の凸サブプロブレムに変換し, ClipDCD アルゴリズムを用いて解いた。 シミュレーションデータ,UCIデータセット,小サンプル葉画像分類タスクによる実験結果から,RHPSVMは,特に高次元小サンプルデータを扱う場合,ノイズフリーシナリオとノイズフリーシナリオの両方において,既存のSVMモデルより優れていることが示された。

関連論文リスト

• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• An extended asymmetric sigmoid with Perceptron (SIGTRON) for imbalanced linear classification [0.0]
  本稿では、SIGTRONと呼ばれる新しいパラメータ化シグモノイドと、SIGTRON不均衡分類(SIC)モデルと呼ばれる同伴凸モデルを提案する。 従来の$pi$重み付きコスト依存学習モデルとは対照的に、SICモデルは損失関数に外部の$pi$重みを持たない。 提案したSICモデルは,データセットのバリエーションに適応可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-26T13:14:17Z)
• Transformers as Support Vector Machines [54.642793677472724]
  自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。 勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。 これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
  論文  参考訳（メタデータ） (2023-08-31T17:57:50Z)
• Soft-SVM Regression For Binary Classification [0.0]
  ソフトネスとクラス分離パラメータを用いたヒンジ損失関数の凸緩和に基づく新しい指数族を導入する。 この新しいファミリーはSoft-SVMと呼ばれ、ロジスティック回帰とSVM分類を効果的に橋渡しする一般化線形モデルを規定することができる。
  論文  参考訳（メタデータ） (2022-05-24T03:01:35Z)
• Estimating Average Treatment Effects with Support Vector Machines [77.34726150561087]
  サポートベクターマシン(SVM)は、機械学習文献で最も人気のある分類アルゴリズムの1つです。 我々はsvmをカーネルベースの重み付け手順として適用し,治療群と制御群の最大平均差を最小化する。 このトレードオフから生じる因果効果推定のバイアスを特徴づけ、提案されたSVM手順と既存のカーネルバランシング手法を結びつけます。
  論文  参考訳（メタデータ） (2021-02-23T20:22:56Z)
• Learning a powerful SVM using piece-wise linear loss functions [0.0]
  k-PL-SVMモデル(k-PL-SVM)は、適応SVMモデルである。 k = 2 および 3 に対する k-PL-SVM モデルによる広範な数値実験を行った。
  論文  参考訳（メタデータ） (2021-02-09T14:45:08Z)

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。