کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6875424 1441951 2018 26 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Large width nearest prototype classification on general distance spaces
ترجمه فارسی عنوان
عرض بزرگ نزدیکترین طبقه بندی اولیه در فضاهای کلی فاصله
کلمات کلیدی
ترجمه چکیده
در این مقاله، مسئله یادگیری طبقه بندی های نزدیکترین نمونه اولیه در هر فضای فاصله محدود را در نظر می گیریم. یعنی، در هر مجموعه محدودی مجهز به عملکرد فاصله است. مزیت مهمی از فضای فاصله در یک فضای متریک این است که نابرابری مثلث باید رضایت نداشته باشد، که نتایج ما را در عمل به طور بالقوه بسیار مفید می سازد. ما یک خانواده از طبقه بندی های دوتایی برای یادگیری طبقه بندی نزدیکترین نمونه اولیه در فضاهای فاصله را در نظر می گیریم، که بر پایه مفهوم یادگیری بزرگ است که ما در کارهای قبلی آن را معرفی و مطالعه کردیم. نزدیکترین پروتوتایپ یک نسخه کلیتر از طبقهبندی نزدیکترین همسایگی همه جا است: نمونه اولیه ممکن است یا ممکن است نقطه نمونه نباشد. یک مزیت در رویکردی که در این مقاله گرفته شده است این است که خطاهای خطا به پارامتر «عرض» بستگی دارد، که میتواند وابسته به نمونه باشد و در نتیجه یک محدوده تنگتر را تولید میکند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
عرض بزرگ نزدیکترین طبقه بندی اولیه در فضاهای کلی فاصله
چکیده انگلیسی
In this paper we consider the problem of learning nearest-prototype classifiers in any finite distance space; that is, in any finite set equipped with a distance function. An important advantage of a distance space over a metric space is that the triangle inequality need not be satisfied, which makes our results potentially very useful in practice. We consider a family of binary classifiers for learning nearest-prototype classification on distance spaces, building on the concept of large-width learning which we introduced and studied in earlier works. Nearest-prototype is a more general version of the ubiquitous nearest-neighbor classifier: a prototype may or may not be a sample point. One advantage in the approach taken in this paper is that the error bounds depend on a 'width' parameter, which can be sample-dependent and thereby yield a tighter bound.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Theoretical Computer Science - Volume 738, 22 August 2018, Pages 65-79
نویسندگان
, ,