論文の概要: Data-Driven Pinball-Loss Selection for Vertically Distributed Elastic-Net SVMs

• arxiv url: http://arxiv.org/abs/2608.00949v1
• Date: Sun, 02 Aug 2026 03:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.033424
• Title: Data-Driven Pinball-Loss Selection for Vertically Distributed Elastic-Net SVMs
• Title（参考訳）: 垂直分散弾性ネットSVMのためのデータ駆動ピンボールロス選択
• Authors: Xiaofei Wu, Kai Qi, Rongmei Liang,
• Abstract要約: 本稿では,データ駆動型弾性ネット支援ベクトルマシンを提案する。 実験は予測行動、数値等価性、マルチプロセスのスケーラビリティを評価する。
• 参考スコア（独自算出の注目度）: 8.59377546034844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The pinball-loss support vector machine is robust, but its asymmetry parameter is usually fixed in advance. We propose a data-driven elastic-net support vector machine that learns simplex-constrained weights over candidate pinball losses while retaining one classifier. The weighted loss is equivalent to a pinball loss with a data-dependent effective parameter. An empirical oracle inequality shows that, when weight regularization and simplex truncation vanish, the classifier objective at a global minimizer does not exceed that of the best fixed candidate; otherwise, the excess is explicitly bounded. For high-dimensional data, we develop a column-partitioned variable-splitting solver. It converges with a best-iterate $O(1/T)$ squared-step residual rate. Under common initialization and global parameters, any column partition produces, in exact arithmetic, the same iterates and solution as centralized training. Experiments assess predictive behavior, numerical equivalence, and multi-process scalability.
• Abstract（参考訳）: ピンボールロス支持ベクトルマシンは頑丈であるが、その非対称性パラメータは通常前もって固定される。 本稿では,データ駆動型弾性ネット支援ベクトルマシンを提案する。 重み付き損失は、データ依存効果パラメータを持つピンボール損失と等価である。 経験的オラクルの不等式は、重みの正則化と単純なトランケーションがなくなると、大域最小化器における分類対象が最良の固定候補のそれを超えないことを示し、そうでなければ余剰は明示的に有界である。 高次元データに対して,カラム分割可変分割解法を開発する。 O(1/T)$ squared-step 残差率で収束する。 共通初期化と大域的パラメータの下では、任意の列分割は、正確な算術において、集中的な訓練と同じ反復と解を生成する。 実験は予測行動、数値等価性、マルチプロセスのスケーラビリティを評価する。

関連論文リスト

• Robust and sparse support vector machine via hybrid truncated loss for supervised classification [9.063787748337715]
  単一ビュー分類のためのハイブリッドトラッピング損失関数(_Lmathrmht$-SVM)を提案する。 L_mathrmht$-SVMは,5つの単一ビュー法よりもサポートベクトルが少なく,ノイズも高い精度で実現できることを示す。
  論文  参考訳（メタデータ） (2026-06-04T07:53:48Z)
• One-Shot Federated Ridge Regression: Exact Recovery via Sufficient Statistic Aggregation [0.7106986689736825]
  フェデレート・リッジ回帰(Federated ridge regression)は、各クライアントが局所的な十分な統計を計算し、一度送信する分散平衡問題である。 我々は、クライアント1回に1回ノイズが注入された場合の差分プライバシー保証を確立し、マルチラウンドプロトコルのプライバシを低下させる構成ペナルティを排除した。 合成ヘテロジニアス回帰の実験では、単発核融合はFedAvgの精度と一致し、通信コストは最大38時間以下であることが示されている。
  論文  参考訳（メタデータ） (2026-01-13T04:47:22Z)
• Test Set Sizing for the Ridge Regression [51.56484100374058]
  訓練行数mが大きくなる限界において、リッジ回帰のための理想的な列車/試験分割を高精度に導出する。 このような分割が、大規模なデータ制限下で機械学習モデルに対して数学的に計算されるのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-04-27T13:17:18Z)
• Federated Learning Resilient to Byzantine Attacks and Data Heterogeneity [59.17297282373628]
  本稿では、データに対する悪意ある攻撃の文脈におけるグラディエント学習(FL)について述べる。 本稿では,収束解析と損失関数の中央値を用いた新しい平均ロバストアルゴリズム(RAGA)を提案する。
  論文  参考訳（メタデータ） (2024-03-20T08:15:08Z)
• Retire: Robust Expectile Regression in High Dimensions [3.9391041278203978]
  ペナル化量子化法と期待回帰法は、高次元データの異方性検出に有用な手段を提供する。 我々は,頑健な期待回帰(退職)を提案し,研究する。 提案手法は半平滑なニュートン座標降下アルゴリズムにより効率よく解けることを示す。
  論文  参考訳（メタデータ） (2022-12-11T18:03:12Z)
• Stochastic regularized majorization-minimization with weakly convex and multi-convex surrogates [0.0]
  提案アルゴリズムの最初の最適性ギャップは,非テンソル依存データ設定下での様々な手法の期待損失率で減衰することを示す。 非テンション依存データ設定の下で, 各種手法の収束点を求める。
  論文  参考訳（メタデータ） (2022-01-05T15:17:35Z)
• Test Set Sizing Via Random Matrix Theory [91.3755431537592]
  本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。 それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。 本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
  論文  参考訳（メタデータ） (2021-12-11T13:18:33Z)

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。