特徴変換における最近傍分類器の収束について【JST・京大機械翻訳】

Rimanic Luka; Renggli Cedric; Li Bo; Zhang Ce

プレプリント

J-GLOBAL ID：202202216177492849 整理番号：22P0200696

特徴変換における最近傍分類器の収束について【JST・京大機械翻訳】

On Convergence of Nearest Neighbor Classifiers over Feature Transformations

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年10月15日プレプリントサーバーでの情報更新日： 2020年10月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

k-最近傍(kNN)分類器は基本的ノンパラメトリック機械学習アルゴリズムである。しかし,それが実際には(事前訓練された)特徴変換のトップにkNN分類器をしばしば適用している理由である次元の curseに悩まされていることはよく知られている。理論的展望から,kNN分類器の理解を目的とする全ての理論的結果が生特徴空間に対して導出された。これは,kNNの理論的理解とその実用化の間の新たなギャップをもたらす。本論文では,このギャップを橋渡しするための第一段階を取り上げる。変換された特徴上のkNN分類器の収束速度に関する新しい解析を提供した。この解析は,変換空間と生特徴空間の両方を結合する特性の詳細な理解を必要とする。より正確には,変換空間の2つの重要な特性で収束限界を構築する。(1)安全性は,変換された空間から生の後部を回復でき,そして(2)滑らかさ,すなわち,この回復関数が複雑になる。著者らの結果に基づいて,いくつかの(事前訓練)特徴変換が,他のものよりkNN分類器に適している理由を説明することができた。両特性は,視覚からテキスト領域にわたる6つのベンチマークデータセットによる30特徴変換に対するkNN収束に影響を与えることを経験的に検証した。【JST・京大機械翻訳】

, , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識 , その他のオペレーションズリサーチの手法

, ,

前のページに戻る