論文の概要: Semi-supervised learning with max-margin graph cuts

• arxiv url: http://arxiv.org/abs/2604.26818v1
• Date: Wed, 29 Apr 2026 15:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.470886
• Title: Semi-supervised learning with max-margin graph cuts
• Title（参考訳）: 最大マージングラフカットを用いた半教師付き学習
• Abstract要約: 本稿では,半教師付き学習のための新しいアルゴリズムを提案する。 このアルゴリズムは、調和関数解によって誘導されるラベルに対するマージンを最大化するグラフカットを学習する。 このアプローチを動機付け、既存の作業と比較し、その一般化エラーを証明します。
• 参考スコア（独自算出の注目度）: 31.380197551243807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel algorithm for semisupervised learning. This algorithm learns graph cuts that maximize the margin with respect to the labels induced by the harmonic function solution. We motivate the approach, compare it to existing work, and prove a bound on its generalization error. The quality of our solutions is evaluated on a synthetic problem and three UCI ML repository datasets. In most cases, we outperform manifold regularization of support vector machines, which is a state-of-the-art approach to semi-supervised max-margin learning.
• Abstract（参考訳）: 本稿では,半教師付き学習のための新しいアルゴリズムを提案する。 このアルゴリズムは、調和関数解によって誘導されるラベルに対するマージンを最大化するグラフカットを学習する。 このアプローチを動機付け、既存の作業と比較し、その一般化エラーを証明します。 提案手法の質は, 合成問題と3つのUCI MLレポジトリデータセットに基づいて評価する。 ほとんどの場合、半教師付きマックスマージン学習に対する最先端のアプローチであるサポートベクトルマシンの多様体正規化よりも優れる。

関連論文リスト

• Towards An Unsupervised Learning Scheme for Efficiently Solving Parameterized Mixed-Integer Programs [6.1860817947800655]
  教師なし学習方式でバイナリ変数の自動エンコーダを訓練する。 オフライン学習AEのデコーダパラメータから平面制約を切断するクラスを構築する戦略を提案する。 原始的なMIP問題への統合は、実現可能な領域を縮小したMIPの強化につながる。
  論文  参考訳（メタデータ） (2024-12-23T14:48:32Z)
• Scalable Deep Metric Learning on Attributed Graphs [10.092560681589578]
  本研究では,深度測定と非偏差学習を併用したグラフ埋め込み手法を提案する。 マルチクラス損失関数に基づいて、半教師なし学習のためのDMTと教師なしケースのためのDMAT-iという2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-20T03:34:31Z)
• An Unsupervised Learning Framework Combined with Heuristics for the Maximum Minimal Cut Problem [5.092968949752308]
  本研究は,MMCPの最大値と非教師なし学習フレームワークを提案する。 重要な観察は、それぞれの溶液が少なくとも1本の枝木に対応することである。 フレームワークを評価し、特定のアプリケーションを提供するために、広範な実験を行います。
  論文  参考訳（メタデータ） (2024-08-16T02:07:34Z)
• M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering [57.947071423091415]
  本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。 我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。 提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
  論文  参考訳（メタデータ） (2023-10-27T19:40:34Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Support Vector Machines with the Hard-Margin Loss: Optimal Training via Combinatorial Benders' Cuts [8.281391209717105]
  我々は、グローバルな最適性のために、ハードマージンのSVMモデルをトレーニングする方法を示す。 本稿では,この問題を解くための反復サンプリングと部分分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-15T18:21:51Z)
• On a class of geodesically convex optimization problems solved via Euclidean MM methods [50.428784381385164]
  ユークリッド凸化関数の違いは、統計学と機械学習の異なるタイプの問題の違いとして記述できることを示す。 最終的に、より広い範囲、より広い範囲の作業を支援するのです。
  論文  参考訳（メタデータ） (2022-06-22T23:57:40Z)
• A Bi-Level Framework for Learning to Solve Combinatorial Optimization on Graphs [91.07247251502564]
  本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。 このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
  論文  参考訳（メタデータ） (2021-06-09T09:18:18Z)
• Individually Fair Gradient Boosting [86.1984206610373]
  我々は、グラデーションブーストにおいて個人の公平性を強制するタスクを検討する。 アルゴリズムがグローバルに収束し、一般化することを示す。 また,アルゴリズムバイアスの影響を受けやすい3つのml問題に対するアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2021-03-31T03:06:57Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)

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。