論文の概要: Decomposing one-class support vector machine into an ensemble of one-data support vector machines

• arxiv url: http://arxiv.org/abs/2606.16002v1
• Date: Sun, 14 Jun 2026 20:05:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.985048
• Title: Decomposing one-class support vector machine into an ensemble of one-data support vector machines
• Title（参考訳）: 1クラスサポートベクターマシンを1データサポートベクターマシンのアンサンブルに分解する
• Abstract要約: 1クラス分類(英: One-class classification、OCC)は、訓練データに1つのクラスしか含まれない分類問題である。 本稿では,OCSVMの高速化戦略を提案する。 提案した戦略は従来のOCSVMよりも高速で、類似の分類結果が得られる。
• 参考スコア（独自算出の注目度）: 16.56753798913172
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One-class classification (OCC) is a classification problem in which the training data contains only one class. The one-class support vector machine (OCSVM) is one of the most competitive OCC algorithms. However, OCSVM has scalability issues with large-scale datasets. This paper proposes the acceleration strategy of OCSVM. The idea is to decompose the dataset into samples and train OCSVM models for single data points. Subsequently, ensemble learning is applied to combine all models to compute the OCSVM model for the dataset. In addition, further acceleration is achieved through a data-reduction strategy with an OCSVM model trained on the average of the training samples. The experiment compared the proposal and traditional OCSVM using the Python package. The proposed strategy is faster than traditional OCSVM, while achieving similar classification results. Moreover, the proposed strategy can create one-to-one correspondence between samples and models. Source code is uploaded at https://github.com/ToshiHayashi/ODSVM
• Abstract（参考訳）: 1クラス分類(英: One-class classification、OCC)は、訓練データに1つのクラスしか含まれない分類問題である。 1クラスサポートベクターマシン(OCSVM)は最も競争力のあるOCCアルゴリズムの一つである。 しかし、OCSVMは大規模データセットのスケーラビリティに問題がある。 本稿では,OCSVMの高速化戦略を提案する。 データセットをサンプルに分解し、単一のデータポイントに対してOCSVMモデルをトレーニングする、というのが目的だ。 その後、アンサンブル学習を適用して、データセットのOCSVMモデルを計算します。 さらに、トレーニングサンプルの平均に基づいてトレーニングされたOCSVMモデルを用いて、データ還元戦略により、さらなる加速が達成される。 この実験はPythonパッケージを使って提案と従来のOCSVMを比較した。 提案した戦略は従来のOCSVMよりも高速で、類似の分類結果が得られる。 さらに,提案手法により,サンプルとモデル間の一対一対応を構築できる。 ソースコードはhttps://github.com/ToshiHayashi/ODSVMでアップロードされる

関連論文リスト

• A Coreset Selection Framework with Ensemble Aggregation for Image Classification [3.122537594115402]
  コアセット選択とアンサンブルアグリゲーションを組み合わせたフレームワークを提案する。 コアセット選択には、選択したスコアと各間隔からのサンプルに基づいてトレーニングデータを間隔に分割するSCOre-Stratified Selection (SCOSS)を提案する。 アンサンブルは複数の実行からの予測を組み合わせ、それぞれが独立してサンプル化されたトレーニングサブセットで実行される。
  論文  参考訳（メタデータ） (2026-07-10T05:09:12Z)
• Sequential Minimal Optimization Algorithm for One-Class Support Vector Machines With Privileged Information [23.311036717650236]
  本稿では,OC-SVM+モデルのトレーニングにおいて,非逐次アルゴリズムを著しく上回るOC-SVM+のSMOアルゴリズムを提案する。 実験は、特権情報がオリジナルの特徴空間における記述的領域にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2026-06-20T20:12:16Z)
• Meta-classification of one-class classification models using ranking correlation and nearest neighbor [15.442606578892644]
  本稿では,一級分類(OCC)モデルのメタ分類について考察する。 提案手法により,OCCモデル,データセット,ランキングを統一的に分類できる。
  論文  参考訳（メタデータ） (2026-06-16T12:30:31Z)
• An Enhanced Model-based Approach for Short Text Clustering [58.60681789677676]
  Twitter、Google+、Facebookなどのソーシャルメディアの人気が高まり、短いテキストのクラスタリングがますます重要になっている。 既存の手法は、トピックモデルに基づくアプローチと深層表現学習に基づくアプローチの2つのパラダイムに大別することができる。 短文の空間性と高次元性を効果的に扱えるDirichlet Multinomial Mixture Model (GSDMM) のギブスサンプリングアルゴリズムを提案する。 さらなる改良を保証しているGSDMMのいくつかの側面に基づいて,さらなる性能向上を目的とした改良されたアプローチであるGSDMM+を提案する。
  論文  参考訳（メタデータ） (2025-07-18T10:07:42Z)
• Generalized Reference Kernel With Negative Samples For Support Vector One-class Classification [6.116088814650622]
  本稿では、いくつかの負のサンプルが利用可能な小規模の1クラス分類に焦点を当てる。 1クラスサポートベクトルマシン(OC-SVM)のための負サンプル付き一般化参照カーネル(GRKneg)を提案する。
  論文  参考訳（メタデータ） (2025-06-17T18:07:13Z)
• MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
  NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。 本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。 ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T05:59:52Z)
• Learning The Likelihood Test With One-Class Classifiers for Physical Layer Authentication [6.853388306874705]
  物理層認証(PLA)機構では、受信したメッセージが正規のユーザまたは侵入者によって送信されたかどうかを検証者が判定する。 ニューラルネットワーク(NN)と1クラスの最小二乗サポートマシン(OSVM)モデルでそれをどのように行うかを示す。 我々は、人工データセットを必要とせずに、可能性テスト(LT)として動作するPLA検証器を訓練する修正勾配降下法(SGD)アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-10-22T16:36:41Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Scaling Semantic Segmentation Beyond 1K Classes on a Single GPU [87.48110331544885]
  既存のセマンティックセグメンテーションモデルのトレーニングとスケールアップのための新しいトレーニング手法を提案する。 我々は、LVISとCOCOアノテーションからブートストラップした1284クラスのデータセットに対するアプローチの明確な利点を示し、DeeplabV3+モデルの3倍のmIoUを実現した。
  論文  参考訳（メタデータ） (2020-12-14T13:12:38Z)
• AML-SVM: Adaptive Multilevel Learning with Support Vector Machines [0.0]
  本稿では非線形SVMのための適応型多段階学習フレームワークを提案する。 改良プロセス全体の分類品質を改善し、マルチスレッド並列処理を活用して性能を向上する。
  論文  参考訳（メタデータ） (2020-11-05T00:17:02Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)
• Convolutional Support Vector Machine [1.5990720051907859]
  本稿では、より小さなデータセットをマイニングする精度と有効性を改善するために、CNNとSVMの両方の利点を持つ新しい畳み込みSVM(CSVM)を提案する。 提案したCSVMの性能を評価するため,分類問題に対する5つのよく知られたベンチマークデータベースをテストする実験を行った。
  論文  参考訳（メタデータ） (2020-02-11T11:23:21Z)

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。