論文の概要: Sparse and robust geometric twin support vector machine via asymmetric RoBoSS loss function
- arxiv url: http://arxiv.org/abs/2608.11567v1
- Date: Wed, 12 Aug 2026 02:19:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.433022
- Title: Sparse and robust geometric twin support vector machine via asymmetric RoBoSS loss function
- Title（参考訳）: 非対称ロボス損失関数によるスパースおよびロバストな双対支持ベクトルマシン
- Abstract要約: 本稿では,ラベルノイズの影響を緩和し,境界超平面周辺におけるゼロ平均ノイズを緩和するアルゴリズムを提案する。
また、このアルゴリズムを指標追跡タスクに適用し、中国株式市場のさまざまな指標の結果から、良好なパフォーマンスを達成できることが示される。
- 参考スコア（独自算出の注目度）: 4.243926243206826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world scenarios, the training data usually contains redundant features, label noise and feature noise, which provide severe challenges for the efficiency of machine learning methods. Since standard support vector machine (SVM) adopts $l_2$-norm penalty and hinge loss function, it lacks the ability of selecting significant features and is sensitive to noise. To address these issues, this paper proposes a novel asymmetric, robust, bounded, sparse and smooth (aR) loss function for $l_1$-norm penalized geometric twin SVM (aRSGTSVM) to handle classification and regression tasks. The $l_1$-norm penalty can achieve the feature selection. The proposed aR loss function can not only effectively mitigate the impact of label noise, but also significantly enhance the stability to resampling noise, i.e., the zero-mean feature noise around the boundary hyperplanes. Furthermore, a statistical analysis of the robustness of aRSGTSVM was also conducted using the influence function. Since aRSGTSVM involves nonconvex and nonsmooth optimization, we develop a fast and stable proximal gradient descent based solving algorithm. Compared with related state-of-the-art methods, experimental results demonstrate the superiority of the proposed aRSGTSVM on both synthetic and UCI datasets. Furthermore, we apply aRSGTSVM to index tracking tasks, where results for tracking the different indices in the China stock market show that it can achieve satisfactory performance.
- Abstract（参考訳）: 実世界のシナリオでは、トレーニングデータは通常、冗長な特徴、ラベルノイズ、フィーチャーノイズを含む。
標準サポートベクトルマシン(SVM)は$l_2$-normのペナルティとヒンジ損失関数を採用しているため、重要な特徴を選択する能力がなく、ノイズに敏感である。
これらの問題に対処するため,本論文では,非対称,頑健,有界,スパース,スムーズ(aR)損失関数を$l_1$-normペナル化した双対双対SVM (aRSGTSVM) に対して提案する。
l_1$-normのペナルティは特徴選択を達成できる。
提案したaR損失関数は、ラベルノイズの影響を効果的に緩和するだけでなく、境界超平面の周囲のゼロ平均特徴雑音のサンプリングに対する安定性を著しく向上させる。
さらに, 影響関数を用いて, ARSGTSVMのロバスト性に関する統計的解析を行った。
ARSGTSVMは非凸および非滑らかな最適化を含むため、高速で安定な近位勾配降下に基づく解法アルゴリズムを開発する。
関連する最先端手法と比較して,提案したARSGTSVMが合成データセットとUCIデータセットの両方で優れていることを示す実験結果が得られた。
さらに,ARSGTSVMを指標追跡タスクに適用し,中国株式市場における指標の追跡結果から,良好な性能が得られることが示された。
関連論文リスト
- Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。
VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。
VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
論文 参考訳（メタデータ） (2026-03-18T01:25:08Z) - Robust support vector model based on bounded asymmetric elastic net loss for binary classification [4.4568150591571785]
支持ベクトルマシン(SVM)と組み合わせた新しい有界弾性ネット(L_baen$)損失関数を提案する。
BAEN-SVMの違反許容上限上限(VTUB)を証明することにより、モデルが幾何的に明確に定義されていることを示す。
BAEN-SVM の影響関数は有界であり、その堅牢性の理論的保証を提供する。
論文 参考訳（メタデータ） (2026-03-06T13:17:36Z) - Support Vector Machine Classifier with Rescaled Huberized Pinball Loss [0.0]
サポートベクトルマシン(SVM)は機械学習の分類タスクで広く使われている。
SVMモデルは、リサンプリングや小さなサンプルデータにおける不安定性に対する感受性に悩まされる。
非対称な損失関数を新たに再スケールした性能アプリケーションを開発した。
論文 参考訳（メタデータ） (2025-11-27T03:31:07Z) - Introducing Fractional Classification Loss for Robust Learning with Noisy Labels [2.312414367096445]
適応的ロバスト損失であるフラクタル分類損失 (FCL) を導入し, トレーニング中, ラベルノイズに対するロバストさを自動的に校正する。
FCLは手動のハイパーパラメータチューニングを必要とせずに最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-08-08T14:20:52Z) - Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Advancing RVFL networks: Robust classification with the HawkEye loss function [0.0]
本稿では,Randomベクトル関数リンク(RVFL)フレームワークにHawkeEye損失(H-loss)関数を組み込むことを提案する。
H-loss関数は、滑らかさと有界性を含む優れた数学的特性を特徴とし、同時に非感性ゾーンを組み込む。
提案したH-RVFLモデルの有効性は、UCIおよびKEELレポジトリから40ドルのデータセットで実験することで検証される。
論文 参考訳（メタデータ） (2024-10-01T08:48:05Z) - Advancing Supervised Learning with the Wave Loss Function: A Robust and Smooth Approach [0.0]
本稿では,非対称な損失関数であるウェーブロスという,教師あり機械学習の領域への新たな貢献について述べる。
提案したウェーブロス関数を,サポートベクトルマシン (SVM) とツインサポートベクトルマシン (TSVM) の最小2乗設定に組み込む。
提案する Wave-SVM と Wave-TSVM の有効性を実証的に示すため,UCI と KEEL のベンチマークを用いて評価を行った。
論文 参考訳（メタデータ） (2024-04-28T07:32:00Z) - Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。
4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
論文 参考訳（メタデータ） (2023-01-18T04:54:58Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z) - Asymmetric Loss Functions for Learning with Noisy Labels [82.50250230688388]
そこで本研究では,様々なノイズに対する雑音ラベルによる学習に頑健な,新しい損失関数,すなわちテクスティタ対称損失関数を提案する。
ベンチマークデータセットの実験結果は、非対称損失関数が最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2021-06-06T12:52:48Z) - 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)
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。