論文の概要: Twin Restricted Kernel Machines for Multiview Classification

• arxiv url: http://arxiv.org/abs/2512.15757v1
• Date: Fri, 12 Dec 2025 03:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.669573
• Title: Twin Restricted Kernel Machines for Multiview Classification
• Title（参考訳）: マルチビュー分類のためのツインリミテッドカーネルマシン
• Authors: A. Quadir, M. Sajid, Mushir Akhtar, M. Tanveer,
• Abstract要約: マルチビュー学習(MVL)は、複数の視点や視点から補完的な情報を活用することにより、一般化性能を向上させることに焦点を当てる。 本稿では、カーネルマシンの強みをマルチビューフレームワークに統合する新しいモデルであるマルチビューツイン制限カーネルマシン(TMvRKM)を紹介する。 提案したTMvRKMモデルは、UCI、KEEL、AwAベンチマークデータセットで厳格にテストされている。
• 参考スコア（独自算出の注目度）: 10.208788616684162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view learning (MVL) is an emerging field in machine learning that focuses on improving generalization performance by leveraging complementary information from multiple perspectives or views. Various multi-view support vector machine (MvSVM) approaches have been developed, demonstrating significant success. Moreover, these models face challenges in effectively capturing decision boundaries in high-dimensional spaces using the kernel trick. They are also prone to errors and struggle with view inconsistencies, which are common in multi-view datasets. In this work, we introduce the multiview twin restricted kernel machine (TMvRKM), a novel model that integrates the strengths of kernel machines with the multiview framework, addressing key computational and generalization challenges associated with traditional kernel-based approaches. Unlike traditional methods that rely on solving large quadratic programming problems (QPPs), the proposed TMvRKM efficiently determines an optimal separating hyperplane through a regularized least squares approach, enhancing both computational efficiency and classification performance. The primal objective of TMvRKM includes a coupling term designed to balance errors across multiple views effectively. By integrating early and late fusion strategies, TMvRKM leverages the collective information from all views during training while remaining flexible to variations specific to individual views. The proposed TMvRKM model is rigorously tested on UCI, KEEL, and AwA benchmark datasets. Both experimental results and statistical analyses consistently highlight its exceptional generalization performance, outperforming baseline models in every scenario.
• Abstract（参考訳）: マルチビューラーニング(Multi-view Learning, MVL)は、複数の視点や視点から補完的な情報を活用することにより、一般化性能の向上に焦点を当てた、機械学習の新興分野である。 様々なマルチビューサポートベクターマシン (MvSVM) アプローチが開発され、大きな成功を収めている。 さらに、これらのモデルはカーネルトリックを用いて高次元空間における決定境界を効果的に捕捉する上での課題に直面している。 また、複数のビューデータセットに共通する、エラーやビューの不整合に悩まされる傾向があります。 本稿では,カーネルマシンの強みをマルチビューフレームワークに統合する新しいモデルである,マルチビューツイン制限カーネルマシン(TMvRKM)を紹介する。 大規模二次計画問題 (QPP) の解法とは異なり、TMvRKM は正規化最小二乗法により最適分離超平面を効率的に決定し、計算効率と分類性能を向上する。 TMvRKMの主目的は、複数のビュー間でエラーのバランスをとるために設計された結合項を含む。 早期と後期の融合戦略を統合することで、TMvRKMはトレーニング中のすべてのビューからの集合情報を活用すると同時に、個々のビューに特有のバリエーションに柔軟性を維持します。 提案したTMvRKMモデルは、UCI、KEEL、AwAベンチマークデータセットで厳格にテストされている。 実験結果と統計的解析の両方が、その例外的な一般化性能を一貫して強調し、全てのシナリオにおいてベースラインモデルより優れている。

関連論文リスト

• Generalized Deep Multi-view Clustering via Causal Learning with Partially Aligned Cross-view Correspondence [72.41989962665285]
  マルチビュークラスタリング(MVC)は、複数のビューにまたがる共通のクラスタリング構造を検討することを目的としている。 しかし、現実のシナリオは、部分的なデータだけが異なるビューに一貫して整合しているため、しばしば課題となる。 我々は,CauMVCと呼ばれる因果的マルチビュークラスタリングネットワークを設計し,この問題に対処する。
  論文  参考訳（メタデータ） (2025-09-19T14:31:40Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• Enhancing Multiview Synergy: Robust Learning by Exploiting the Wave Loss Function with Consensus and Complementarity Principles [0.0]
  本稿では、ウェーブロス(W-loss)関数を利用した新しいマルチビューサポートベクターマシンであるWave-MvSVMを紹介する。 Wave-MvSVMは、コンセンサスと相補性の両方の原則を統合することで、より包括的でレジリエントな学習プロセスを保証する。 多様なデータセットにわたる大規模な経験的評価は、Wave-MvSVMの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-13T11:25:22Z)
• Multiview learning with twin parametric margin SVM [0.0]
  マルチビュー学習(MVL)は、相互補完するために多様な視点の利点を活用する。 マルチビュー・ツインパラメトリック・マージン支援ベクトルマシン(MvTPMSVM)を提案する。 MvTPMSVMは、両クラスに対応するパラメトリック・マージン・ハイパープレーンを構築し、異方性雑音構造の影響を規制し、管理することを目的としている。
  論文  参考訳（メタデータ） (2024-08-04T10:16:11Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• Semi-supervised multi-view concept decomposition [30.699496411869834]
  概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。 そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。 SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
  論文  参考訳（メタデータ） (2023-07-03T10:50:44Z)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)

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。