論文の概要: Large margin classifier with graph-based adaptive regularization

• arxiv url: http://arxiv.org/abs/2605.02027v1
• Date: Sun, 03 May 2026 19:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.050278
• Title: Large margin classifier with graph-based adaptive regularization
• Title（参考訳）: グラフに基づく適応正則化を用いた大型マージン分類器
• Authors: Vítor M. Hanriot, Turíbio T. Salis, Luiz C. B. Torres, Frederico Coelho, Antonio P. Braga,
• Abstract要約: フレキシブルしきい値はガブリエルグラフに基づく分類法を改善することができることを示す。 また、多数派や少数派のクラスに対して、より高い閾値と低い閾値を発生させることで、クラス不均衡に対処する方法を示す。
• 参考スコア（独自算出の注目度）: 3.4996479865468593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the use of per-class regularization hyperparameters in Gabriel graph-based binary classifiers. We demonstrate how the quality index used for regularization behaves both in the margin region and in the presence of outliers, and how incorporating this regularization flexibility can lead to solutions that effectively eliminate outliers while training the classifier. We also show how it can address class imbalance by generating higher and lower thresholds for the majority and minority classes, respectively. Thus, rather than having a single solution based on fixed thresholds, flexible thresholds expand the solution space and can be optimized through hyperparameter tuning algorithms. Friedman test shows that flexible thresholds are capable of improving Gabriel graph-based classifiers.
• Abstract（参考訳）: 本稿ではガブリエルグラフに基づくバイナリ分類器におけるクラスごとの正規化ハイパーパラメータの利用について紹介する。 正則化に使用される品質指標は, マージン領域においても, 外れ値の存在下においても, どのように振る舞うかを示すとともに, この正則化の柔軟性を取り入れることで, 分類器を訓練しながら、効果的に外れ値を排除することができるかを示す。 また、多数派と少数派のそれぞれに対して、より高い閾値と低い閾値を発生させることで、クラス不均衡に対処する方法を示す。 したがって、固定しきい値に基づく単一の解を持つのではなく、フレキシブルしきい値が解空間を拡張し、ハイパーパラメータチューニングアルゴリズムによって最適化できる。 Friedmanテストは、フレキシブルしきい値がガブリエルグラフベースの分類器を改善することができることを示している。

関連論文リスト

• The Implicit Bias of Logit Regularization [4.588028371034407]
  線形分類の文脈において,ロジット正規化器のクラスを解析する。 サンプル当たりの有限個のターゲットに対して,ロジットクラスタリングの暗黙バイアスを生じさせることを示した。 本結果は,ラベルの平滑化に関する理論的理解を拡張し,より広範なロジット規則化手法の有効性を強調した。
  論文  参考訳（メタデータ） (2026-02-12T15:06:08Z)
• Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
  分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。 生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-31T18:31:46Z)
• Structured Matrix Scaling for Multi-Class Calibration [48.07988618116422]
  ポストホック補正法は、分類器が忠実な確率推定を提供することを保証するために広く用いられている。 我々は、ロジスティック回帰に基づくパラメトリック回帰関数は、二項分類と多項分類の両方の単純な理論的設定から動機付けることができると論じる。
  論文  参考訳（メタデータ） (2025-11-05T18:09:14Z)
• Graph-based Clustering Revisited: A Relaxation of Kernel $k$-Means Perspective [73.18641268511318]
  本稿では,クラスタリング結果を導出するための正規制約のみを緩和するグラフベースのクラスタリングアルゴリズムを提案する。 二重制約を勾配に変換するために、非負の制約をクラス確率パラメータに変換する。
  論文  参考訳（メタデータ） (2025-09-23T09:14:39Z)
• 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)
• 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)
• Label-Imbalanced and Group-Sensitive Classification under Overparameterization [32.923780772605596]
  ラベルの不均衡でグループに敏感な分類は、関連するメトリクスを最適化するための標準トレーニングアルゴリズムを適切に修正することを目指す。 標準実証的リスク最小化に対するロジット調整による損失修正は,一般的には効果がない可能性がある。 本研究では, 2つの共通する不均衡(ラベル/グループ)を統一的に処理し, 敏感群の二値分類に自然に適用できることを示した。
  論文  参考訳（メタデータ） (2021-03-02T08:09:43Z)

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。