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

Frank-Wolfe for Sign-Constrained Support Vector Machines Frank-Wolfe para máquinas de vetores de suporte com restrição de sinais

Kenya TAJIMA, Takahiko HENMI, Tsuyoshi KATO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

O conhecimento do domínio é útil para melhorar o desempenho de generalização de máquinas de aprendizagem. As restrições de sinal são uma representação útil para combinar o conhecimento do domínio com a aprendizagem da máquina. Neste artigo, consideramos a restrição dos sinais dos coeficientes de peso no aprendizado da máquina de vetores de suporte linear e desenvolvemos um algoritmo de otimização para minimizar o risco empírico sob as restrições de sinal. O algoritmo é baseado no método Frank-Wolfe que também converge sublinearmente e possui um critério de terminação claro. Mostramos que cada iteração do Frank-Wolfe também requer O(nd+d2) custo computacional. Além disso, derivamos a expressão explícita para o número mínimo de iteração para garantir uma solução ε-precisa analisando a curvatura da função objetivo. Finalmente, demonstramos empiricamente que as restrições de sinal são uma técnica promissora quando semelhanças com os exemplos de treinamento compõem o vetor de características.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.10 pp.1734-1742
Data de publicação
2022/10/01
Publicitada
2022/06/27
ISSN online
1745-1361
DOI
10.1587/transinf.2022EDP7069
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Kenya TAJIMA
  Gunma University
Takahiko HENMI
  Gunma University
Tsuyoshi KATO
  Gunma University

Palavra-chave