論文の概要: Enhancing classification accuracy through chaos

• arxiv url: http://arxiv.org/abs/2603.15299v1
• Date: Mon, 16 Mar 2026 14:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.408098
• Title: Enhancing classification accuracy through chaos
• Title（参考訳）: カオスによる分類精度の向上
• Authors: Panos Stinis,
• Abstract要約: 本稿では,カオスを利用して分類精度を向上させる手法を提案する。 分類が必要なデータは、まず高次元空間に持ち上げられるベクトルとして扱われる。 提案手法は,トレーニングプロセスの大幅な高速化と,分類精度の向上の両立を図っている。
• 参考スコア（独自算出の注目度）: 0.676855875213031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel approach which exploits chaos to enhance classification accuracy. Specifically, the available data that need to be classified are treated as vectors that are first lifted into a higher-dimensional space and then used as initial conditions for the evolution of a chaotic dynamical system for a prescribed temporal interval. The evolved state of the dynamical system is then fed to a trainable softmax classifier which outputs the probabilities of the various classes. As proof-of-concept, we use samples of randomly perturbed orthogonal vectors of moderate dimension (2 to 20), with a corresponding number of classes equal to the vector dimension, and show how our approach can both significantly accelerate the training process and improve the classification accuracy compared to a standard softmax classifier which operates on the original vectors, as well as a softmax classifier which only lifts the vectors to a higher-dimensional space without evolving them. We also provide an explanation for the improved performance of the chaos-enhanced classifier.
• Abstract（参考訳）: 本稿では,カオスを利用して分類精度を向上させる手法を提案する。 具体的には、分類が必要なデータは、まず高次元空間に持ち上げられ、次に所定の時間間隔でカオス力学系の進化の初期条件として使用されるベクトルとして扱われる。 力学系の進化状態は、様々なクラスの確率を出力する訓練可能なソフトマックス分類器に供給される。 概念実証として、適度な次元のランダムな摂動直交ベクトル(2～20)のサンプルと、ベクトル次元に等しいクラスのサンプルを用いて、我々のアプローチがトレーニング過程を著しく加速し、元のベクトルで動作する標準ソフトマックス分類器と、ベクトルを進化させることなく高次元空間にのみ持ち上げるソフトマックス分類器に比較して、分類精度を向上させる方法を示す。 また,カオス強化型分類器の性能向上についても解説する。

関連論文リスト

• Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
  リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。 スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
  論文  参考訳（メタデータ） (2025-03-11T01:45:42Z)
• Canonical Variates in Wasserstein Metric Space [16.668946904062032]
  We use the Wasserstein metric to measure distances between distributions, then used by distance-based classification algorithm。 我々の研究の中心は、分類精度を高めるために、ワッサーシュタイン計量空間内の次元の減少である。 本稿では,クラス間変動からクラス内変動への商として定義されたフィッシャー比を最大化する原理に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-24T17:59:21Z)
• Smooth Ranking SVM via Cutting-Plane Method [6.946903076677842]
  我々は,AUCを最大化するために,Randing SVMと類似した切削平面法に依存するプロトタイプ学習手法を開発した。 本アルゴリズムは,切削面を反復的に導入することで,より単純なモデルを学ぶ。 73のバイナリ分類データセットを用いて行った実験から,本手法は競合する25のデータセットの中で最高のAUCが得られる。
  論文  参考訳（メタデータ） (2024-01-25T18:47:23Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Generative Robust Classification [3.4773470589069477]
  相対的に頑健な差別的分類(ソフトマックス)の訓練は、頑健な分類に対する主要なアプローチである。 本稿では, 対人訓練(AT)に基づく生成モデルについて検討する。 アプローチの堅牢性を向上するために、高度なデータ拡張を適用するのは簡単です。
  論文  参考訳（メタデータ） (2022-12-14T15:33:11Z)
• Soft-margin classification of object manifolds [0.0]
  単一対象の複数の出現に対応する神経集団は、神経応答空間における多様体を定義する。 そのような多様体を分類する能力は、オブジェクト認識やその他の計算タスクは多様体内の変数に無関心な応答を必要とするため、興味がある。 ソフトマージン分類器は、より大きなアルゴリズムのクラスであり、トレーニングセット外のパフォーマンスを最適化するためにアプリケーションで使われる追加の正規化パラメータを提供する。
  論文  参考訳（メタデータ） (2022-03-14T12:23:36Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance Model [101.74172837046382]
  そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。 数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
  論文  参考訳（メタデータ） (2020-06-25T12:00:26Z)

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。