論文の概要: Parallel Algorithms for Combined Regularized Support Vector Machines: Application in Music Genre Classification

• arxiv url: http://arxiv.org/abs/2512.07463v1
• Date: Mon, 08 Dec 2025 11:41:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.866245
• Title: Parallel Algorithms for Combined Regularized Support Vector Machines: Application in Music Genre Classification
• Title（参考訳）: 正規化支援ベクトルマシンの並列化アルゴリズム:音楽ジャンル分類への応用
• Authors: Rongmei Liang, Zizheng Liu, Xiaofei Wu, Jingwen Tu,
• Abstract要約: 我々は分散並列交互方向乗算器 (ADMM) を開発し、データを分散的に格納する場合にCR-SVMを効率的に計算する。 合成および自由音楽アーカイブデータセットの実験は、アルゴリズムの信頼性、安定性、効率性を実証している。
• 参考スコア（独自算出の注目度）: 5.98174311891588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of rapid development of artificial intelligence, its applications span across diverse fields, relying heavily on effective data processing and model optimization. Combined Regularized Support Vector Machines (CR-SVMs) can effectively handle the structural information among data features, but there is a lack of efficient algorithms in distributed-stored big data. To address this issue, we propose a unified optimization framework based on consensus structure. This framework is not only applicable to various loss functions and combined regularization terms but can also be effectively extended to non-convex regularization terms, showing strong scalability. Based on this framework, we develop a distributed parallel alternating direction method of multipliers (ADMM) algorithm to efficiently compute CR-SVMs when data is stored in a distributed manner. To ensure the convergence of the algorithm, we also introduce the Gaussian back-substitution method. Meanwhile, for the integrity of the paper, we introduce a new model, the sparse group lasso support vector machine (SGL-SVM), and apply it to music information retrieval. Theoretical analysis confirms that the computational complexity of the proposed algorithm is not affected by different regularization terms and loss functions, highlighting the universality of the parallel algorithm. Experiments on synthetic and free music archiv datasets demonstrate the reliability, stability, and efficiency of the algorithm.
• Abstract（参考訳）: 人工知能の急速な発展の時代、その応用は様々な分野にまたがっており、効率的なデータ処理とモデル最適化に大きく依存している。 CR-SVM(Combined Regularized Support Vector Machines)は、データ機能間の構造情報を効果的に処理できるが、分散されたビッグデータには効率的なアルゴリズムがない。 この問題に対処するため,コンセンサス構造に基づく統一最適化フレームワークを提案する。 このフレームワークは、様々な損失関数や組合せ正規化項に適用できるだけでなく、非凸正規化項にも効果的に拡張でき、スケーラビリティが強い。 この枠組みに基づいて,データを分散的に格納する際のCR-SVMを効率的に計算する分散並列交互方向法(ADMM)を開発した。 また,アルゴリズムの収束を保証するため,ガウスバック置換法を導入する。 一方、論文の完全性のために、スパースグループラッソサポートベクターマシン(SGL-SVM)を導入し、音楽情報検索に適用する。 理論的解析により、提案アルゴリズムの計算複雑性は、異なる正規化項と損失関数の影響を受けず、並列アルゴリズムの普遍性を強調している。 合成および自由音楽アーカイブデータセットの実験は、アルゴリズムの信頼性、安定性、効率性を実証している。

関連論文リスト

• Efficient Distributed Learning over Decentralized Networks with Convoluted Support Vector Machine [2.722434989508884]
  本稿では,分散ネットワーク上での高次元データを効率的に分類する問題に対処する。 我々は、ペナル化SVMを解くために、乗算器の効率的な一般化交互方向法(ADMM)を開発した。
  論文  参考訳（メタデータ） (2025-03-10T17:31:26Z)
• Tailed Low-Rank Matrix Factorization for Similarity Matrix Completion [14.542166904874147]
  similarity Completion Matrixは多くの機械学習タスクの中核にある基本的なツールとして機能する。 この問題に対処するために、類似行列理論(SMC)法が提案されているが、それらは複雑である。 提案手法は,PSD特性を解析して推定プロセスを導出し,低ランク解を保証するために非低ランク正規化器を組み込む2つの新しい,スケーラブルで効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-29T04:27:23Z)
• Learning to optimize with convergence guarantees using nonlinear system theory [0.4143603294943439]
  本研究では,スムーズな目的関数に対するアルゴリズムの非制約パラメトリゼーションを提案する。 特に、私たちのフレームワークは自動微分ツールと直接互換性があります。
  論文  参考訳（メタデータ） (2024-03-14T13:40:26Z)
• A unified consensus-based parallel ADMM algorithm for high-dimensional regression with combined regularizations [3.280169909938912]
  並列交互乗算器 (ADMM) は大規模分散データセットの処理に有効であることが広く認識されている。 提案アルゴリズムは,財務事例の信頼性,安定性,スケーラビリティを示す。
  論文  参考訳（メタデータ） (2023-11-21T03:30:38Z)
• Randomized Dimension Reduction with Statistical Guarantees [0.27195102129095]
  この論文は、高速な実行と効率的なデータ利用のためのアルゴリズムをいくつか探求している。 一般化と分散性を向上する様々なデータ拡張を組み込んだ学習アルゴリズムに着目する。 具体的には、第4章では、データ拡張整合正則化のための複雑性分析のサンプルを提示する。
  論文  参考訳（メタデータ） (2023-10-03T02:01:39Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
  クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。 これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。 我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
  論文  参考訳（メタデータ） (2022-07-26T04:38:47Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。