バランス比率の和対最大化比率の和は,線形差別分析のためのバランス比率の和です

科学分野:

• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• データサイエンス データサイエンス
• パターン認識 パターン認識

背景:

• 線形差別分析 (LDA) は標準的な次元縮小技術である.
• Ratio Sum LDA (RSLDA) は特徴の差別性を改善するために開発されましたが,比率の優位性に苦しんでいます.
• RSLDAにおける最大比率の優位性は,真に差別的な特徴の選択を妨げています.

研究 の 目的:

• 伝統的なRatio Sum LDAにおける支配的な問題を分析する.
• 新しい差別特性の学習方法であるバランス比率和差別分析 (BRSDA) を提案する.
• 比率の優位性の問題を緩和し,特性の抽出能力を強化するために.

主な方法:

• 比率バランスのためにハーモニック平均を用いた最小化比率和 (Min-RS) の基準を導入した.
• Min-RS基準と $\ell _{p}$-norm を統合して,さらにバランスの取れた比率と投影方向の差を拡大しました.
• 閉じた形状の解決策を得ることの難しさのため,最適化のためにグラデーション降下法を使用しました.

主要な成果:

• BRSDAは効率的に比率を均衡させ,RSLDAに固有の支配的な問題を緩和します.
• この方法は,低品質の投影方向の最適化に焦点を当て,バランスのとれた解決策につながります.
• 実験結果は,差別的な特徴を抽出するBRSDAの有効性を確認しています.

結論:

• BRSDAは,Ratio Sum LDAにおける比率の優位性問題に対する堅実な解決策を提供します.
• 提案された方法は,抽出された特徴の質と差別力を高めます.
• BRSDAは,差別特性の学習における重要な進歩を表しています.