論文の概要: Sequential Minimal Optimization Algorithm for One-Class Support Vector Machines With Privileged Information

• arxiv url: http://arxiv.org/abs/2606.22210v1
• Date: Sat, 20 Jun 2026 20:12:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 14:49:36.575629
• Title: Sequential Minimal Optimization Algorithm for One-Class Support Vector Machines With Privileged Information
• Title（参考訳）: プライマリ情報付きワンクラス支援ベクトルマシンの逐次最小最適化アルゴリズム
• Authors: Andrey Lange, Dmitry Smolyakov, Evgeny Burnaev,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.311036717650236
• License:
• Abstract: One of the powerful techniques in data modeling is accounting for features that are available at the training stage, but are not available when the trained model is used to classify or predict test data -- the Learning Using Privileged Information paradigm (LUPI). Sequential Minimal Optimization (SMO) methods have been developed for supervised Support Vector Machines (SVM), unsupervised one-class SVM, and SVM with privileged information (SVM+). The missing brick in this research has long been a one-class SVM with privileged information (OC-SVM+). In this paper, we propose an SMO algorithm for OC-SVM+ that significantly outperforms non-sequential algorithms for training the OC-SVM+ model. Its finite-time convergence is established. The experiments show how privileged information affects a descriptive domain in the space of original features. Comparative benchmark tests demonstrate that our algorithm is superior over interior point algorithms.
• Abstract（参考訳）: データモデリングの強力なテクニックの1つは、トレーニング段階で利用可能だが、トレーニングされたモデルを使用してテストデータの分類や予測を行う場合には、利用できない機能(Learning Using Privileged Information paradigm (LUPI))を説明することである。 教師付きサポートベクトルマシン(SVM)、教師なし1クラスSVM、特権情報付きSVM(SVM+)のためのシーケンシャル最小最適化(SMO)手法が開発されている。 この研究で欠けているブロックは、長い間、特権情報(OC-SVM+)を持つ一流のSVMでした。 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。 その有限時間収束が確立される。 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。 比較ベンチマークテストにより,本アルゴリズムは内点アルゴリズムよりも優れていることが示された。

関連論文リスト

• On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
  本研究では,(マルチモーダル)自己教師型表現学習のデータ予測タスクにおいて,連続領域における識別確率モデルについて検討する。 我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。 MISが要求する条件付き確率密度の和を近似する新しい非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T18:02:46Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• 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)
• 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)
• Unsupervised Real Time Prediction of Faults Using the Support Vector Machine [1.1852751647387592]
  提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。 この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
  論文  参考訳（メタデータ） (2020-12-30T04:27:10Z)
• Equipment Failure Analysis for Oil and Gas Industry with an Ensemble Predictive Model [0.0]
  提案手法は,SMOトレーニングアルゴリズムを用いることで,より優れた性能が得られることを示す。 この予測モデルの分類性能は、SMOトレーニングアルゴリズムの有無にかかわらず、SVMよりもかなり優れている。
  論文  参考訳（メタデータ） (2020-12-30T04:14:15Z)
• A fast learning algorithm for One-Class Slab Support Vector Machines [1.1613446814180841]
  本稿では,SMO (Sequential Minimal Optimization) を用いた一級スラブSVMの高速トレーニング手法を提案する。 その結果、このトレーニング手法は、他の準計画法(QP)の解法よりも、大規模なトレーニングデータに対してより優れたスケールが可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-06T09:16:39Z)
• 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)

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。