論文の概要: Elite-Driven Support Vector Machines for Classification

• arxiv url: http://arxiv.org/abs/2604.25158v1
• Date: Tue, 28 Apr 2026 02:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.68519
• Title: Elite-Driven Support Vector Machines for Classification
• Title（参考訳）: 要素駆動型支援ベクトルマシンの分類
• Authors: Mohammad Jafari Jozani, Bahram Moeinianfar,
• Abstract要約: サポートベクトルマシン(SVM)はバイナリ分類の標準ツールであるが、古典的な定式化は純粋にデータ駆動である。 そこで本稿では,経験的リスク最小化を正規化するためのフレームワークを提案する。 EDSVMは、C-SVM、LINEX-SVM、LS-SVMと競合する予測性能を達成しつつ、参照SVMによって引き起こされる振る舞いを密に追跡している。
• 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 (SVMs) are a standard tool for binary classification, but their classical formulations are purely data-driven and offer no direct way to encode trusted benchmark models or structured preferences on selected subsets of the data. We propose Elite-Driven Support Vector Machines (EDSVM), a general framework that augments regularized empirical risk minimization by guiding the slack variables for a curated set of elite observations (typically the union of support vectors from one or more reference SVMs). EDSVM combines the usual slack loss with a deviation penalty that shrinks new slacks toward benchmark slack values, defining a localized, margin-aligned notion of proximity to reference models, unlike global function penalties in knowledge distillation or teacher-student methods, and without requiring privileged features as in SVM+/LUPI. Within this framework we develop two concrete models, C-EDSVM and LS-EDSVM, based respectively on hinge-type and squared-slack losses. For both variants we derive dual quadratic programs that can be implemented with modest modifications of standard SVM solvers, and we give simple sufficient conditions under which the induced margin losses are classification calibrated. Simulation studies and experiments on several UCI benchmarks show that EDSVMs closely track the behaviour induced by reference SVMs while achieving predictive performance that is competitive with, and sometimes better than, C-SVM, LINEX-SVM, and LS-SVM.
• Abstract（参考訳）: サポートベクターマシン(SVM)はバイナリ分類の標準ツールであるが、古典的な定式化は純粋にデータ駆動であり、信頼されたベンチマークモデルをエンコードしたり、データの選択されたサブセットに対して構造化された優先順位を設定する直接的な方法を提供しない。 本研究では,エリート型サポートベクトルマシン (EDSVM) を提案する。このフレームワークは,SVMを1つ以上の参照したSVMからのサポートベクトルの結合) に対してスラック変数を導出することにより,経験的リスク最小化を正規化する一般的なフレームワークである。 EDSVMは、通常のスラック損失と、ベンチマークスラック値に対する新たなスラックを縮小する偏差ペナルティを組み合わせ、SVM+/LUPIのような特権的特徴を必要とせず、参照モデルに近接する局所的でマージンに整った概念を定義する。 本フレームワークでは, ヒンジ型と正方形スラックの損失に基づいて, C-EDSVM と LS-EDSVM という2つの具体的なモデルを開発した。 両変種に対して、標準SVMソルバの控えめな修正で実装可能な2つの二次プログラムを導出し、誘導されたマージン損失を分類する簡単な条件を与える。 いくつかのUCIベンチマークに関するシミュレーション研究と実験により、EDSVMは、C-SVM、LINEX-SVM、LS-SVMと競合する予測性能を達成しつつ、参照SVMによって引き起こされる振る舞いを密に追跡していることが示された。

関連論文リスト

• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Multi-Class Support Vector Machine with Differential Privacy [12.305474267080966]
  差分プライバシーは、プライバシを保存する機械学習モデルを構築するための主要なフレームワークの1つである。 標準の1-versus-rest (OvR) と 1-versus-rest (OvO) のアプローチが各データサンプルを繰り返しクエリするので、マルチクラスSVMへのDPの適用は不十分である。 そこで本研究では,全単体SVMにおけるDPを確保するために,重みと勾配の摂動法を併用した新しい微分プライベート・マルチクラスSVM(PMSVM)を提案する。
  論文  参考訳（メタデータ） (2025-10-05T04:25:16Z)
• Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
  本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。 提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
  論文  参考訳（メタデータ） (2025-09-16T12:00:42Z)
• Robust Support Vector Machines for Imbalanced and Noisy Data via Benders Decomposition [0.0]
  本研究では,SVM(Support Vector Machines)をクラス不均衡とノイズに対処するための新しい定式化を提案する。 制約違反の規模を罰する従来のSoft Margin SVMとは異なり、提案モデルは違反の数を定量化し、その頻度を最小化することを目的としている。
  論文  参考訳（メタデータ） (2025-03-19T04:03:39Z)
• Enhancing Imbalance Learning: A Novel Slack-Factor Fuzzy SVM Approach [0.0]
  サポートベクターマシン(FSVM)は、様々なファジィメンバシップをサンプルに割り当てることで、クラス不均衡に対処する。 最近開発されたslack-factor-based FSVM(SFFSVM)は、slack Factorを使用して、誤分類可能性に基づいてファジィメンバシップを調整することで、従来のFSVMを改善している。 そこで我々は,新しい位置パラメータを導入する改良されたスラックファクターベースFSVM(ISFFSVM)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T05:47:01Z)
• A Robust Twin Parametric Margin Support Vector Machine for Multiclass Classification [0.0]
  本稿では,特徴不確実性を考慮したマルチクラス分類タスクに対処する新しいTPMSVMモデルを提案する。 データ摂動に対処するため、各トレーニング観測の周囲に有界・北不確実性セットを構築し、決定論的モデルのロバストな特徴を導出する。 実世界のデータセットに対する頑健なマルチクラスTPMSVM手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-06-09T19:27:24Z)
• Handling Imbalanced Classification Problems With Support Vector Machines via Evolutionary Bilevel Optimization [73.17488635491262]
  サポートベクトルマシン(SVM)は、バイナリ分類問題に対処する一般的な学習アルゴリズムである。 この記事では、EBCS-SVMについて紹介する。
  論文  参考訳（メタデータ） (2022-04-21T16:08:44Z)
• Chance constrained conic-segmentation support vector machine with uncertain data [0.0]
  サポートベクトルマシン(SVM)は、よく知られた学習アルゴリズムのクラスの一つである。 本稿では,CS-SVMのデータポイントの不確かさや誤動作について検討する。
  論文  参考訳（メタデータ） (2021-07-28T12:29:47Z)
• 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)

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。