Iterated Relevance Matrix Analysis (IRMA) for the identification of class-discriminative subspaces

要約

分類問題における特徴の関連性の分析およびクラス識別部分空間の構築のための一般化行列学習ベクトル量子化の反復適用を紹介し、調査します。
提案されている反復関連性行列分析 (IRMA) は、一般化行列学習ベクトル量子化 (GMLVQ) を使用して、考慮されたデータ セットの分類固有の情報を表す線形部分空間を識別します。
以前に特定されたすべての部分空間を射影しながら新しい識別部分空間を繰り返し決定することにより、すべてのクラス固有の情報を保持する結合部分空間を見つけることができます。
これにより、機能の関連性の詳細な分析が容易になり、ラベル付きデータセットの低次元表現と視覚化が向上します。
さらに、IRMA ベースのクラス識別部分空間は、次元削減と、潜在的にパフォーマンスが向上する堅牢な分類器のトレーニングに使用できます。

要約(オリジナル)

We introduce and investigate the iterated application of Generalized Matrix Learning Vector Quantizaton for the analysis of feature relevances in classification problems, as well as for the construction of class-discriminative subspaces. The suggested Iterated Relevance Matrix Analysis (IRMA) identifies a linear subspace representing the classification specific information of the considered data sets using Generalized Matrix Learning Vector Quantization (GMLVQ). By iteratively determining a new discriminative subspace while projecting out all previously identified ones, a combined subspace carrying all class-specific information can be found. This facilitates a detailed analysis of feature relevances, and enables improved low-dimensional representations and visualizations of labeled data sets. Additionally, the IRMA-based class-discriminative subspace can be used for dimensionality reduction and the training of robust classifiers with potentially improved performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google