論文の概要: A Kernel Fisher Discriminant Analysis-Based Tree Ensemble Classifier: KFDA Forest

• arxiv url: http://arxiv.org/abs/2606.29053v1
• Date: Sat, 27 Jun 2026 19:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.773716
• Title: A Kernel Fisher Discriminant Analysis-Based Tree Ensemble Classifier: KFDA Forest
• Title（参考訳）: KFDAフォレスト(KFDAフォレスト)
• Abstract要約: カーネルフィッシャー判別分析林(英: kernel Fisher discriminant analysis forest、KFDA)は、KFDAを適用した木に基づくアンサンブル法である。 KFDAは、カーネルトリックを用いた非線形データ構造における分類問題に適用できる。
• 参考スコア（独自算出の注目度）: 18.35631752167819
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In general, an ensemble classifier is more accurate than a single classifier. In this study, we propose an ensemble classifier called the kernel Fisher discriminant analysis forest (KFDA Forest), which is a tree-based ensemble method that applies KFDA. To promote diversity, bootstrap is used, and variable sets are randomly divided into K subsets. KFDA is performed on each subset to increase classification accuracy. KFDA maximizes the distance between classes while minimizing the distance within classes. KFDA can also be applied to classification problems in a nonlinear data structure using the kernel trick because it can transform the input space into a kernel feature space, commonly named a rotation, rather than performing a dimensionality reduction. Because new feature axes and KFDA projections are parallel, decision trees are used as a base classifier. To compare the proposed method with existing ensemble methods, we apply these to real datasets from the UCI and KEEL repositories.
• Abstract（参考訳）: 一般に、アンサンブル分類器は単一の分類器よりも正確である。 そこで本研究では,KFDAを適用した木に基づくアンサンブル法であるカーネルフィッシャー判別分析林(KFDAフォレスト)というアンサンブル分類法を提案する。 多様性を促進するためにブートストラップを使用し、変数集合をランダムにKサブセットに分割する。 KFDAは各サブセットで行われ、分類精度が向上する。 KFDAはクラス間の距離を最大化し、クラス内の距離を最小化する。 KFDAはまた、カーネルトリックを用いた非線形データ構造における分類問題にも適用することができる、なぜなら、入力空間を次元還元を行うのではなく、一般に回転と呼ばれるカーネル特徴空間に変換することができるからである。 新しい特徴軸とKFDAプロジェクションは並列であるため、決定木は基本分類器として使用される。 提案手法を既存のアンサンブル法と比較するため,UCIおよびKEELレポジトリの実際のデータセットに適用する。

関連論文リスト

• Continual Learning Using a Kernel-Based Method Over Foundation Models [13.315292874389735]
  CIL(Class-Incremental Learning)は、一連のタスクを段階的に学習する。 CILには、破滅的忘れ(CF)とタスク間クラス分離(ICS)の2つの主要な課題がある。 本稿では,CFやICSの問題を効果的に回避できるカーネル線形判別分析(KLDA)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T05:09:18Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• 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)
• Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
  2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。 このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
  論文  参考訳（メタデータ） (2023-06-07T21:37:21Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Deep Neural Decision Forest for Acoustic Scene Classification [45.886356124352226]
  音響シーン分類(ASC)は、録音環境の特性に基づいて音声クリップを分類することを目的としている。 深層神経決定林(DNDF)を用いたASCの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-07T14:39:42Z)
• A Topological Data Analysis Based Classifier [1.6668132748773563]
  本稿では,多クラス分類問題に直接トポロジカルデータ解析を適用するアルゴリズムを提案する。 提案アルゴリズムは,データセット上にフィルタされた単純複合体を構築する。 提案手法は平均してKNNと重み付きKNNよりも優れていた。
  論文  参考訳（メタデータ） (2021-11-09T15:54:16Z)
• Minimum Variance Embedded Auto-associative Kernel Extreme Learning Machine for One-class Classification [1.4146420810689422]
  VAAKELMは、自己連想型カーネル極端学習マシンの拡張である。 アーキテクチャ内に最小分散情報を埋め込んで、クラス内の分散を減らす。 これは、一級分類に対する再構成に基づくアプローチに従い、再構成エラーを最小限にする。
  論文  参考訳（メタデータ） (2020-11-24T17:00:30Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)
• High-Dimensional Quadratic Discriminant Analysis under Spiked Covariance Model [101.74172837046382]
  そこで本研究では,魚の識別比を最大化する2次分類手法を提案する。 数値シミュレーションにより,提案した分類器は,合成データと実データの両方において古典的R-QDAよりも優れるだけでなく,計算量の削減も要求されることがわかった。
  論文  参考訳（メタデータ） (2020-06-25T12:00:26Z)

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。