論文の概要: Sparse $ε$ insensitive zone bounded asymmetric elastic net support vector machines for pattern classification
- arxiv url: http://arxiv.org/abs/2604.07748v1
- Date: Thu, 09 Apr 2026 03:10:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.663804
- Title: Sparse $ε$ insensitive zone bounded asymmetric elastic net support vector machines for pattern classification
- Title（参考訳）: パターン分類のためのスパース$ε$非感受性ゾーン有界非対称弾性ネット支持ベクトルマシン
- Authors: Haiyan Du, Hu Yang,
- Abstract要約: 既存のサポートベクターマシン(SVM)モデルはノイズに敏感であり、性能を制限している。
弾性ネット損失とロバスト損失の枠組みを組み合わせることで、$varepsilon非感受性非対称な非対称弾性ネット損失を構築する。
$varepsilon-BAEN-SVMは従来の堅牢なSVMよりも優れています。
- 参考スコア（独自算出の注目度）: 4.4568150591571785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing support vector machines(SVM) models are sensitive to noise and lack sparsity, which limits their performance. To address these issues, we combine the elastic net loss with a robust loss framework to construct a sparse $\varepsilon$-insensitive bounded asymmetric elastic net loss, and integrate it with SVM to build $\varepsilon$ Insensitive Zone Bounded Asymmetric Elastic Net Loss-based SVM($\varepsilon$-BAEN-SVM). $\varepsilon$-BAEN-SVM is both sparse and robust. Sparsity is proven by showing that samples inside the $\varepsilon$-insensitive band are not support vectors. Robustness is theoretically guaranteed because the influence function is bounded. To solve the non-convex optimization problem, we design a half-quadratic algorithm based on clipping dual coordinate descent. It transforms the problem into a series of weighted subproblems, improving computational efficiency via the $\varepsilon$ parameter. Experiments on simulated and real datasets show that $\varepsilon$-BAEN-SVM outperforms traditional and existing robust SVMs. It balances sparsity and robustness well in noisy environments. Statistical tests confirm its superiority. Under the Gaussian kernel, it achieves better accuracy and noise insensitivity, validating its effectiveness and practical value.
- Abstract（参考訳）: 既存のサポートベクターマシン(SVM)モデルはノイズに敏感であり、性能を制限している。
これらの問題に対処するため、弾性ネット損失をロバストな損失フレームワークと組み合わせ、スパース$\varepsilon$-insensitive bounded asymmetric elastic net lossを構築し、SVMと統合して$\varepsilon$-insensitive Zone bounded Asymmetric Elastic Net Loss-based SVM($\varepsilon$-BAEN-SVM)を構築する。
$\varepsilon$-BAEN-SVMはスパースでロバストである。
スパシティは$\varepsilon$-insensitiveバンド内のサンプルがベクターをサポートしていないことを示すことで証明されている。
影響関数が有界であるため、ロバスト性は理論的に保証される。
非凸最適化問題を解くために、クリッピング双対座標降下に基づく半四進法アルゴリズムを設計する。
これは問題を一連の重み付きサブプロブレムに変換し、$\varepsilon$パラメータによる計算効率を向上させる。
シミュレーションと実際のデータセットの実験は、$\varepsilon$-BAEN-SVMが従来の堅牢なSVMよりも優れていることを示している。
ノイズの多い環境では、スパーシリティとロバストネスのバランスが良い。
統計検査により、その優位性が確認された。
ガウスカーネルの下では、精度とノイズの感度が向上し、その有効性と実用的価値が検証される。
関連論文リスト
- Robust support vector model based on bounded asymmetric elastic net loss for binary classification [4.4568150591571785]
支持ベクトルマシン(SVM)と組み合わせた新しい有界弾性ネット(L_baen$)損失関数を提案する。
BAEN-SVMの違反許容上限上限(VTUB)を証明することにより、モデルが幾何的に明確に定義されていることを示す。
BAEN-SVM の影響関数は有界であり、その堅牢性の理論的保証を提供する。
論文 参考訳（メタデータ） (2026-03-06T13:17:36Z) - Evolution Strategies at the Hyperscale [57.75314521465674]
本稿では,大集団にバックプロップフリーな最適化を拡大するための進化戦略(ES)アルゴリズムEGGROLLを紹介する。
ESは、微分不可能またはノイズの多い目的を処理できる強力なブラックボックス最適化手法のセットである。
EGGROLLはランダム行列を$Ain mathbbRmtimes r, Bin mathbbRntimes r$ with $rll min(m,n)$ とすることでこれらのボトルネックを克服し、低ランク行列摂動を$A Btop$とする。
論文 参考訳（メタデータ） (2025-11-20T18:56:05Z) - $ε$-Softmax: Approximating One-Hot Vectors for Mitigating Label Noise [99.91399796174602]
ノイズラベルは、正確なディープニューラルネットワークをトレーニングする上で共通の課題となる。
我々は,ソフトマックス層の出力を制御可能な誤差で1ホットベクトルに近似させる,$epsilon$-softmaxを提案する。
理論的には、$epsilon$-softmaxは、ほぼ任意の損失関数に対して制御可能な過剰リスクを持つ耐雑音学習を実現することができる。
論文 参考訳（メタデータ） (2025-08-04T13:10:48Z) - FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文 参考訳（メタデータ） (2025-05-19T07:32:56Z) - A Novel Loss Function-based Support Vector Machine for Binary Classification [3.773980481058198]
サポートベクトルマシン分類器($ell_s$-SVM)を構築するための新しいスライド損失関数(ell_s$)を提案する。
近似定常点の概念を導入し、リプシッツ連続性の性質を利用することにより、$ell_s$-SVM に対する一階最適条件を導出する。
我々は, $ell_s$-SVM を効率的に処理するために, 演算セットと乗算器の高速交互方向法を考案した。
論文 参考訳（メタデータ） (2024-03-25T11:42:01Z) - Kernel Support Vector Machine Classifiers with the $\ell_0$-Norm Hinge
Loss [3.007949058551534]
Support Vector Machine (SVM)は、バイナリ分類問題において最も成功した機械学習技術の1つである。
本論文は, ヒンジ損失を持つベクトル($ell$-KSVM)に集中し, ヒンジ損失と$ell_$normの複合関数である。
合成データセットと実データセットの実験は、$ell_$-KSVMが標準のKSVMと同等の精度を達成可能であることを示すために照らされている。
論文 参考訳（メタデータ） (2023-06-24T14:52:44Z) - High-Dimensional Penalized Bernstein Support Vector Machines [0.0]
SVMヒンジ損失関数の非微分性は、高次元設定において計算困難を引き起こす可能性がある。
本稿では,Pentalized BernSVMの解を求めるための2つの効率的なアルゴリズムを提案する。
我々の境界は高い確率を持ち、位数 $sqrtslog(p)/n$ を達成する。
論文 参考訳（メタデータ） (2023-03-16T03:48:29Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Learning with Smooth Hinge Losses [15.288802707471792]
我々は、$psi_G(alpha;sigma)$と$psi_M(alpha;sigma)$の2つの滑らかなヒンジ損失を紹介します。
テキスト分類タスクの実験では,提案したSSVMが実世界のアプリケーションに有効であることが示されている。
論文 参考訳（メタデータ） (2021-02-27T14:50:02Z) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z)
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。