.png){kind=icon}
返回
Instance Selection via Voronoi Neighbors for Binary Classification Tasks
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2023.3328952.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在许多应用中可用的大型数据集使得二元分类器的训练能够匹配甚至优于人类。然而，大量数据在模型参数的训练和校准期间引入了计算负担。由于分类任务的最佳决策表面 (ODS) 通常由附近的几个实例确定，因此提出了一种新颖的pdoc-v方法来识别它们。采用贝叶斯概率模型来描述ODS。如果实例属于正和负课程的概率相似，则该实例接近于ODS。实例的概率是通过Voronoi图将输入空间划分为包含单个实例的单元并检查其Voronoi邻居来估计的。采用随机射线射击算法来加速我们的算法。在许多自然数据集中，实例的空间分布通常是不均匀的。对于这样的数据集，我们的方法比现有的基于距离的实例选择方法更健壮。综合实验表明，在pdoc-v选择的实例上训练的通用分类器可以准确地恢复ODS。此外，对于许多自然数据集，在实例的10% 20% 上训练的常见分类器可以实现超过98% 的全集性能。
Keyword:
Training
Support vector machines
Task analysis
Noise measurement
Clustering algorithms
Bayes methods
Image coding
Binary classification
data reduction
dataset condensation
instance selection
pattern selection
Voronoi diagram
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
mmWave Polarization Diversity Wideband Multiple-Input/Multiple-Output Antenna System with Symmetrical Geometry for Future Compact Devices.png)
Symmetry
OAAI
SymmetryIF0
OAAI分享收藏
查看更多内容