文献

J-GLOBAL ID：202002260277391681   整理番号：20A1942095

指数損失関数に基づくスケーラブル線形分類器【JST・京大機械翻訳】

Scalable linear classifiers based on exponential loss function

著者 (2件)： Tripathi Sandhya (Indian Institute of Technology Bombay, Mumbai, India) ,  Hemachandra N. (Indian Institute of Technology Bombay, Mumbai, India)
資料名： ACM Proceedings  (ACM Proceedings)
号： CoDS-COMAD ’18  ページ： 190-200  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最初に,代理損失関数として指数関数を持つ経験的リスク最小化ベースの二値分類アルゴリズム,ExpERMを提案した。著者らのExpERMアルゴリズムは,特徴空間の次元およびデータ点数の両者においてスケーラブルであり,それは,正則化ExpERMフレームワークにおいて,単一制約を有する非制約微分可能凸最適化問題または凸最適化問題である。データの穏やかな仮定の下で,ExpERM分類器がユニークであることを示した。実データセットの広い収集(大規模特徴,大規模例)にExpERMを実装する。Wilcoxon符号付きランク検定を用いて,これらの容易に計算可能な分類器が,標準ヒンジ損失ベースSVMまたはAdaBoost分類器によって求めた分類器とは,それらの5または10倍交差検証誤差が,著しく異なるので,良好な一般化特性を有することを示した。いくつかの大きな特徴サイズのデータセットを用いて,SVMとExpERMの統計的比較を行い,ExpERMがモデルを訓練するのに時間を著しく短縮することを観測した。この簡単で効果的な学習アルゴリズムをよりよく理解するため,Rademacher複雑性と均一安定性概念に基づくExpERMに対する正則化ExpERMと高確率限界に対するサンプル複雑性限界のようなPACを得た。著者らの計算経験は,正則化がExpERMベースの分類器の性能を著しく改良しないことを示唆した。複合マルチクラスアルゴリズムの実装における二値分類器ルーチンに行うための反復呼び出しのために,ExpERMスキームは,かなり計算的に安く,従ってスケーラブルであることが期待される。多くのマルチクラスデータセット上のバイナリExpERM分類器のCV誤差が,計算的に高価なバイナリクラスSVMを用いて得られたものに匹敵することを統計的に示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *損失関数 ,  ヒンジ ,  指数関数 ,  微分 ,  線形性 ,  正則化 ,  学習アルゴリズム
準シソーラス用語： AdaBoost ,  分類アルゴリズム ,  複雑性 ,  凸最適化問題 ,  特徴空間 ,  バイナリー ,  二値分類 , 【Automatic Indexing@JST】

著者キーワード (7件)： ERM ,  アルゴリズム安定性 ,  指数関数的損失関数 ,  高い確率限界 ,  線形分類器 ,  マルチクラス分類 ,  サンプルの複雑さ

分類 (2件)： 人工知能  (JE08000Z) ,  その他のオペレーションズリサーチの手法  (KA03070E)

タイトルに関連する用語 (4件)： 指数 ,  損失関数 ,  線形 ,  分類器