A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Corrected Stochastic Dual Coordinate Ascent for Top-k SVM Ascensão estocástica de coordenadas duplas corrigida para topok SVM

Yoshihiro HIROHASHI, Tsuyoshi KATO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Atualmente, o principalk a taxa de erro é um dos principais métodos para medir a precisão da classificação de múltiplas categorias. Principal-k SVM multiclasse foi projetado para minimizar o risco empírico com base nos principaisk taxa de erro. Existem dois algoritmos baseados em SDCA para aprender os principaisk SVM, ambos com diversas propriedades desejáveis ​​para alcançar a otimização. No entanto, ambos os algoritmos sofrem de uma séria desvantagem, ou seja, não conseguem atingir a convergência ideal na maioria dos casos devido às suas imperfeições teóricas. Conforme demonstrado através de simulações numéricas, se o algoritmo SDCA modificado for empregado, a convergência ideal é sempre alcançada, em contraste com o fracasso dos dois algoritmos existentes baseados em SDCA. Finalmente, nossos resultados analíticos são apresentados para esclarecer a importância desses algoritmos existentes.

Publicação
IEICE TRANSACTIONS on Information Vol.E103-D No.11 pp.2323-2331
Data de publicação
2020/11/01
Publicitada
2020/08/06
ISSN online
1745-1361
DOI
10.1587/transinf.2019EDP7261
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de Padrões

autores

Yoshihiro HIROHASHI
  DENSO CORPORATION
Tsuyoshi KATO
  Gunma University

Palavra-chave