論文の概要: An Iterative Geometric Approach to Optimizing Separating Hyperplanes

• arxiv url: http://arxiv.org/abs/2607.17282v1
• Date: Sun, 19 Jul 2026 15:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.418612
• Title: An Iterative Geometric Approach to Optimizing Separating Hyperplanes
• Title（参考訳）: 分離超平面の最適化のための反復幾何学的アプローチ
• Abstract要約: 本稿では、初期分離超平面が与えられた場合、この特異な最適値により効率的に到達できるかどうかを考察する。 我々は、初期分離された超平面から始まる超平面のアライメントを徐々に改善する幾何学的アプローチを提案する。 その結果、初期分離された超平面が利用できる場合、提案手法はより大きなデータセットと競合する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a binary-labeled linearly separable dataset, and the objective is to compute the maximum-margin separating hyperplane, also known as the hard-margin Support Vector Machine (SVM) classifier. This paper investigates whether, if given an initial separating hyperplane, can it be exploited to reach this unique optimum more efficiently. We present a geometric approach that gradually improves the alignment of the hyperplane, starting from an initial separating hyperplane, while preserving separation and continuously increasing its margin until convergence to the global optimum. At each iteration, the method considers only local information, namely the current active set, and aims to re-align the hyperplane according to the optimal separating hyperplane of this reduced subset. Consequently, the original convex quadratic optimization problem is addressed through a sequence of smaller subproblems. The paper presents the algorithm in detail, together with a preliminary experimental evaluation and several theoretical findings. The results suggest that, when an initial separating hyperplane is available, the proposed method can be competitive on larger datasets and, in some cases, can outperform state-of-the-art approaches that solve the optimization problem directly.
• Abstract（参考訳）: バイナリラベル付き線形分離可能なデータセットが与えられ、その目的は、ハードマージンサポートベクトルマシン(SVM)分類器として知られる、最大マージン分離超平面を計算することである。 本稿では、初期分離超平面が与えられた場合、この特異な最適値により効率的に到達できるかどうかを考察する。 本稿では,初期分離された超平面から始まる超平面のアライメントを徐々に改善する幾何的アプローチを提案する。 各イテレーションにおいて、この手法は局所情報、すなわち現在のアクティブな集合のみを考慮し、この縮小された部分集合の最適分離超平面に従って超平面を再調整することを目的としている。 その結果、元の凸2次最適化問題は、より小さなサブプロブレムの列によって解決される。 本稿では,予備的な実験評価といくつかの理論的研究結果とともに,このアルゴリズムの詳細を述べる。 その結果,初期分離型ハイパープレーンが利用可能であれば,提案手法はより大きなデータセットと競合する可能性があり,場合によっては,最適化問題を直接解決する最先端の手法よりも優れていることが示唆された。

関連論文リスト

• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Online Trajectory Optimization for Arbitrary-Shaped Mobile Robots via Polynomial Separating Hypersurfaces [7.859691892608875]
  新たな軌道最適化手法は、ロボットの構成と分離した超平面を共同で最適化することで衝突を強制する。 本研究では,関数によってパラメータ化された非線型分離超平面を導入することにより,その制限を不当に除去する。
  論文  参考訳（メタデータ） (2026-01-14T07:07:48Z)
• Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
  本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。 微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
  論文  参考訳（メタデータ） (2023-02-24T18:41:48Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• Nonlinear matrix recovery using optimization on the Grassmann manifold [18.655422834567577]
  本研究では,列が部分空間の結合などの非線形構造に従う部分観測された高階クラスタリング行列の復元問題について検討する。 交代極限はクルディカ・ロジャシ性質を用いて一意点に収束することを示す。
  論文  参考訳（メタデータ） (2021-09-13T16:13:13Z)
• Clustering Large Data Sets with Incremental Estimation of Low-density Separating Hyperplanes [16.3460693863947]
  教師なし文脈における低密度超平面分離器の効率的な取得法を提案する。 提案手法による実験により、関連するベンチマークと比較した場合、速度と精度の両面で非常に競争力があることが示された。
  論文  参考訳（メタデータ） (2021-08-07T12:45:05Z)
• EGGS: Eigen-Gap Guided Search Making Subspace Clustering Easy [20.547648917833698]
  サブスペースクラスタリングのための固有ギャップ誘導探索法を提案する。 理論的、数値的には、より大きい相対固有ギャップを持つラプラシア行列は、しばしばより高いクラスタリング精度と安定性をもたらすことを示す。 本手法は実アプリケーションにおいて高い柔軟性と利便性を有し,計算コストも低い。
  論文  参考訳（メタデータ） (2021-07-23T08:53:36Z)
• Implicit differentiation for fast hyperparameter selection in non-smooth convex learning [87.60600646105696]
  内部最適化問題が凸であるが非滑らかである場合の一階法を研究する。 本研究では, ヤコビアンの近位勾配降下と近位座標降下収率列の前方モード微分が, 正確なヤコビアンに向かって収束していることを示す。
  論文  参考訳（メタデータ） (2021-05-04T17:31:28Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)

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。