文献

J-GLOBAL ID：201902250649706373   整理番号：19A0492261

ロバストなサポートベクトルマシンの破壊点【JST・京大機械翻訳】

Breakdown Point of Robust Support Vector Machines

著者 (5件)： Kanamori Takafumi (Department of Computer Science and Mathematical Informatics, Nagoya University, Nagoya 464-8601, Japan) ,  Kanamori Takafumi (RIKEN Center for Advanced Intelligence Project, Tokyo 103-0027, Japan) ,  Fujiwara Shuhei (TOPGATE Co. Ltd., Bunkyo-ku, Tokyo 113-0033, Japan) ,  Takeda Akiko (Institute of Statistical Mathematics, Tokyo 190-8562, Japan) ,  Takeda Akiko (RIKEN Center for Advanced Intelligence Project, Tokyo 103-0027, Japan)
資料名： Entropy (Web)  (Entropy (Web))
巻： 19  号： 2  ページ： 83  発行年： 2017年 
JST資料番号： U7179A  ISSN： 1099-4300  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： サポートベクトルマシン(SVM)は,分類問題を解くための最も成功した学習法の一つである。その人気にもかかわらず,SVMは訓練サンプルにおける異常値に敏感な重大な欠点を持っている。誤分類に関するペナルティはヒンジ損失と呼ばれる凸損失によって偏向され,凸損失の非有界性は異常値に対する感度を引き起こす。異常値を扱うために,凸損失をランプ損失と呼ばれる非凸有界損失に置き換えることにより,ロバストSVMを提案した。本論文では,ロバストSVMの故障点を研究した。破壊点は,推定された分類器がまだ非汚染データに関する情報を与えるような汚染の最大量であるロバスト性測度である。本論文の主な貢献は,ロバストSVMの破壊点の正確な評価を示すことであり,正則化パラメータのような学習パラメータに対して,分類器のロバスト性を保証する簡単な公式を導出した。学習パラメータを交差検証を用いた格子探索で決定するとき,著者らの式は候補探索点の数を減少させる。さらに,数値実験において理論的な考察を行った。ロバストSVMの統計的性質は,破壊点の理論解析により良く説明できることを示した。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ロバスト性 ,  ヒンジ ,  ペナルティ ,  故障 ,  測度 ,  *サポートベクトルマシン ,  パラメータ ,  凸形 ,  異常値 ,  学習 ,  数値実験 ,  正則化パラメータ ,  有界
準シソーラス用語： 理論解析 , 【Automatic Indexing@JST】

著者キーワード (4件)： サポートベクトルマシン ,  ブレークダウンポイント ,  異常値 ,  カーネル関数

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (39件)：

• Cortes, C.; Vapnik, V. Support-vector networks. Mach. Learn. 1995, 20, 273-297.
• Schölkopf, B.; Smola, A.J. Learning with Kernels; MIT Press: Cambridge, MA, USA, 2002.
• Berlinet, A.; Thomas-Agnan, C. Reproducing Kernel Hilbert Spaces in Probability and Statistics; Kluwer Academic: Boston, MA, USA, 2004.
• Perez-Cruz, F.; Weston, J.; Hermann, D.J.L.; Schölkopf, B. Extension of the ν-SVM Range for Classification. In Advances in Learning Theory: Methods, Models and Applications 190; IOS Press: Amsterdam, The Netherlands, 2003; pp. 179-196.
• Schölkopf, B.; Smola, A.; Williamson, R.; Bartlett, P. New support vector algorithms. Neural Comput. 2000, 12, 1207-1245.

タイトルに関連する用語 (3件)： ロバスト ,  サポートベクトルマシン ,  破壊