FastMapSVM: Classifying Complex Objects Using the FastMap Algorithm and Support-Vector Machines

要約

ニューラルネットワークと関連するディープラーニング手法は、現在、オブジェクトの分類に使用されるテクノロジーの最先端にあります。
ただし、通常、モデルのトレーニングには大量の時間とデータが必要です。
そして、彼らが学んだモデルは、解釈が難しい場合があります。
この論文では、一般的な分類タスクのためのニューラルネットワークの有利な代替手段として、FastMapSVM（複雑なオブジェクトを分類するための解釈可能な機械学習フレームワーク）を進化させます。
FastMapSVMは、FastMapとSVMの補完的な長所を組み合わせることにより、サポートベクターマシン（SVM）の適用性を複雑なオブジェクトを持つドメインに拡張します。
FastMapは、複雑なオブジェクトをユークリッド空間内のポイントにマッピングすると同時に、それらの間のペアワイズドメイン固有の距離を維持する効率的な線形時間アルゴリズムです。
地震記象の分類のコンテキストでFastMapSVMの効率と有効性を示します。
適合率、再現率、および適合率の点で、そのパフォーマンスが他の最先端の方法のパフォーマンスに匹敵することを示します。
ただし、他の方法と比較して、FastMapSVMはモデルトレーニングに使用する時間とデータが大幅に少なくなります。
また、オブジェクトとそれらの間の分類境界の目立つ視覚化を提供します。
FastMapSVMは、他の多くの実際のドメインでの分類タスクに実行可能であると期待しています。

要約(オリジナル)

Neural Networks and related Deep Learning methods are currently at the leading edge of technologies used for classifying objects. However, they generally demand large amounts of time and data for model training; and their learned models can sometimes be difficult to interpret. In this paper, we advance FastMapSVM — an interpretable Machine Learning framework for classifying complex objects — as an advantageous alternative to Neural Networks for general classification tasks. FastMapSVM extends the applicability of Support-Vector Machines (SVMs) to domains with complex objects by combining the complementary strengths of FastMap and SVMs. FastMap is an efficient linear-time algorithm that maps complex objects to points in a Euclidean space while preserving pairwise domain-specific distances between them. We demonstrate the efficiency and effectiveness of FastMapSVM in the context of classifying seismograms. We show that its performance, in terms of precision, recall, and accuracy, is comparable to that of other state-of-the-art methods. However, compared to other methods, FastMapSVM uses significantly smaller amounts of time and data for model training. It also provides a perspicuous visualization of the objects and the classification boundaries between them. We expect FastMapSVM to be viable for classification tasks in many other real-world domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google