論文の概要: Optimal Multi-Kernel Combination for Online Multi-Label Classification
- arxiv url: http://arxiv.org/abs/2610.26123v1
- Date: Mon, 19 Oct 2026 10:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:15:26.96519
- Title: Optimal Multi-Kernel Combination for Online Multi-Label Classification
- Title（参考訳）: オンラインマルチラベル分類のための最適マルチカーネル組合せ
- Abstract要約: マルチラベル分類はストリーミングのシナリオでは特に難しい。
オンラインカーネルメソッドは有望なソリューションを提供する。
オンラインマルチラベル分類のためのオンラインカーネル選択法(OKS-OMC)は,複数のカーネルからの補完情報を十分に活用できない。
- 参考スコア（独自算出の注目度）: 4.970977009631349
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-label classification is particularly challenging in streaming scenarios, where data arrives sequentially. Online kernel methods offer a promising solution. However, prevailing methods rely on a single preselected kernel, making them prone to suboptimal choices since the global data distribution is unknown in advance in online settings. Although the recent method, Online Kernel Selection for Online Multi-label Classification (OKS-OMC), enables data-driven kernel selection, it fails to fully harness the complementary information from multiple kernels and encounters the curse of kernelization. To address these limitations, this paper introduces a novel online multi-kernel combination method for large-scale multi-label classification. First, an efficient and robust online single-kernel multi-label method is designed. Second, learning an optimal convex combination of multiple multi-label kernel classifiers is formalized as a structural risk minimization problem. An improved alternating optimization procedure is developed, in which the combination coefficients are updated by directly minimizing the objective function, while each kernel classifier is updated by minimizing a surrogate upper bound. This procedure decouples the learning of kernel classifiers from combination coefficients, allowing independent classifier updates via our single-kernel method and accelerating convergence to high-quality solutions. Our multi-kernel method is proven to asymptotically converge to the optimal fixed convex combination of the best fixed single-kernel models chosen in hindsight. Ablation studies confirm that our method's components outperform their counterparts in OKS-OMC. Comprehensive evaluations across 11 datasets and seven metrics demonstrate our method's overall superiority over existing online multi-label methods.
- Abstract（参考訳）: マルチラベル分類は、データが順次到着するストリーミングシナリオでは特に難しい。
オンラインカーネルメソッドは有望なソリューションを提供する。
しかし、一般的な方法は1つのプリセレクトされたカーネルに依存しており、オンライン設定で事前にグローバルなデータ分布が不明であるため、最適以下の選択をしがちである。
オンラインマルチラベル分類のためのオンラインカーネル選択法(OKS-OMC)は、データ駆動型カーネルの選択を可能にするが、複数のカーネルからの補完情報を完全に活用できず、カーネル化の呪いに遭遇する。
これらの制約に対処するために,大規模マルチラベル分類のための新しいオンラインマルチカーネル組合せ法を提案する。
まず、効率的で堅牢なオンラインシングルカーネルマルチラベル方式を設計する。
第二に、複数のマルチラベルカーネル分類器の最適凸結合を学習することは、構造的リスク最小化問題として定式化される。
目的関数を直接最小化し、組合せ係数を更新する改良された交互最適化手法を開発し、各カーネル分類器は、代理上界を最小化して更新する。
この手法はカーネル分類器の学習を結合係数から切り離し、独立な分類器を単一カーネル法で更新し、高品質な解への収束を加速させる。
我々のマルチカーネル法は、後から選択した最良の固定シングルカーネルモデルの最適な固定凸結合に漸近的に収束することが証明されている。
アブレーション試験により,本法はOKS-OMC法より優れていたことが確認された。
11のデータセットと7つのメトリクスにわたる総合的な評価は、既存のオンラインマルチラベル手法よりもメソッドの全体的な優位性を示している。
関連論文リスト
- Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。
合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
論文 参考訳（メタデータ） (2024-07-14T09:32:20Z) - Fast Asymmetric Factorization for Large Scale Multiple Kernel Clustering [5.21777096853979]
マルチカーネルクラスタリング(MKC)は、クラスタリングのための複数のベースカーネルからの情報の融合を可能にするソリューションとして登場した。
本稿では,局所回帰にインスパイアされた新しいスパースカーネル行列を構築し,メモリ効率を実現するための効率的な多重カーネル概念因子化(EMKCF)を提案する。
論文 参考訳（メタデータ） (2024-05-26T06:29:12Z) - One-Step Late Fusion Multi-view Clustering with Compressed Subspace [29.02032034647922]
圧縮部分空間を用いたワンステップレイトフュージョンマルチビュークラスタリング(OS-LFMVC-CS)という統合フレームワークを提案する。
コンセンサス部分空間を用いて分割行列を整列し、分割融合を最適化し、融合分割行列を用いて離散ラベルの学習を指導する。
論文 参考訳（メタデータ） (2024-01-03T06:18:30Z) - An Online Multiple Kernel Parallelizable Learning Scheme [6.436174170552483]
本稿では,カーネル選択バイアスを低減するために,複数の単一カーネルベースのオンライン手法を巧みに組み合わせた学習手法を提案する。
提案手法は、正規化された経験的リスク最小化凸問題として定式化されたタスクに適用される。
論文 参考訳（メタデータ） (2023-08-19T20:15:02Z) - 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) - Multiple Kernel Clustering with Dual Noise Minimization [56.009011016367744]
マルチカーネルクラスタリング(MKC)は、ベースカーネルから補完的な情報を統合することでデータをグループ化する。
本稿では,双対雑音を厳密に定義し,パラメータフリーなMKCアルゴリズムを提案する。
二重ノイズはブロック対角構造を汚染し,クラスタリング性能の劣化を招き,CノイズはNノイズよりも強い破壊を示す。
論文 参考訳（メタデータ） (2022-07-13T08:37:42Z) - Optimal Data Selection: An Online Distributed View [61.31708750038692]
この問題のオンライン版と分散版のアルゴリズムを開発する。
ランダム選択法は, ランダム選択法よりも5～20%高い性能を示した。
ImageNet と MNIST の学習タスクにおいて、我々の選択方法はランダム選択よりも5-20% 高い性能を示した。
論文 参考訳（メタデータ） (2022-01-25T18:56:16Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Kernel k-Means, By All Means: Algorithms and Strong Consistency [21.013169939337583]
Kernel $k$クラスタリングは、非線形データの教師なし学習のための強力なツールである。
本稿では,最適化された局所解に対処するための一般的な手法を応用した結果を一般化する。
我々のアルゴリズムは、この非線形分離問題をよりよく解くために、Magricalization-minimization (MM) を利用している。
論文 参考訳（メタデータ） (2020-11-12T16:07:18Z) - SimpleMKKM: Simple Multiple Kernel K-means [49.500663154085586]
単純なマルチカーネルk-means(SimpleMKKM)と呼ばれる,単純で効果的なマルチカーネルクラスタリングアルゴリズムを提案する。
我々の基準は、カーネル係数とクラスタリング分割行列における難解な最小化最大化問題によって与えられる。
クラスタリング一般化誤差の観点から,SimpleMKKMの性能を理論的に解析する。
論文 参考訳（メタデータ） (2020-05-11T10:06:40Z)
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。