グラフベースの適応的正則化を用いた大きいマージン分類器

arXiv stat.ML / 2026/5/5

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、クラスごとの正則化ハイパーパラメータを用いるガブリエルグラフベースの二値分類器を提案している。
正則化に用いる「品質指数」が決定マージン近傍や外れ値が存在する状況でどのように振る舞うかを解析し、頑健性の向上を狙っている。
追加した正則化の柔軟性を活用することで、学習中に外れ値を効果的に抑制できることを示している。
多数派と少数派それぞれで異なる閾値を学習することで、クラス不均衡への対処も可能としている。
Friedman検定の結果から、柔軟な閾値は固定閾値よりもガブリエルグラフベースの分類器を改善し得ることが示されている。

Abstract

本論文は、Gabrielグラフに基づく2値分類器において、クラスごとの正則化ハイパーパラメータを用いる手法を提案する。正則化に用いられる品質指数が、マージン領域と外れ値の存在下の両方でどのように振る舞うかを示し、さらにこの正則化の柔軟性を取り込むことで、訓練中に分類器が外れ値を効果的に除去する解につながることを示す。加えて、多数クラスと少数クラスそれぞれに対して高い閾値と低い閾値を生成することで、クラス不均衡に対処できることも示す。したがって、固定された閾値に基づく単一の解ではなく、柔軟な閾値は解空間を拡張し、ハイパーパラメータ調整アルゴリズムによって最適化できる。Friedman検定の結果、柔軟な閾値はGabrielグラフに基づく分類器の性能を向上させ得ることが示された。