ترجمه فارسی مقاله دستیابی به بیشتر با کمتر: یک روش گروهی مبتنی بر بهینه‌سازی تنسور

چکیده

Ensemble learning is a method that leverages weak learners to produce a strong learner. However, obtaining a large number of base learners requires substantial time and computational resources. Therefore, it is meaningful to study how to achieve the performance typically obtained with many base learners using only a few. We argue that to achieve this, it is essential to enhance both classification performance and generalization ability during the ensemble process. To increase model accuracy, each weak base learner needs to be more efficiently integrated. It is observed that different base learners exhibit varying levels of accuracy in predicting different classes. To capitalize on this, we introduce confidence tensors $tilde{mathbfΘ}$ and $tilde{mathbfΘ}_{rst}$ signifies the degree of confidence that the $t$-th base classifier assigns the sample to class $r$ while it actually belongs to class $s$. To the best of our knowledge, this is the first time an evaluation of the performance of base classifiers across different classes has been proposed. The proposed confidence tensor compensates for the strengths and weaknesses of each base classifier in different classes, enabling the method to achieve superior results with a smaller number of base learners. To enhance generalization performance, we design a smooth and convex objective function that leverages the concept of margin, making the strong learner more discriminative. Furthermore, it is proved that in gradient matrix of the loss function, the sum of each column’s elements is zero, allowing us to solve a constrained optimization problem using gradient-based methods. We then compare our algorithm with random forests of ten times the size and other classical methods across numerous datasets, demonstrating the superiority of our approach.

چکیده به فارسی (ترجمه ماشینی)

یادگیری گروه روشی است که از زبان آموزان ضعیف برای تولید یک یادگیرنده قوی استفاده می کند.با این حال ، به دست آوردن تعداد زیادی از زبان آموزان پایه نیاز به زمان و منابع محاسباتی قابل توجهی دارد.بنابراین ، مطالعه چگونگی دستیابی به عملکردی که به طور معمول با بسیاری از زبان آموزان پایه به دست می آید با استفاده از تنها چند مورد استفاده می شود ، معنی دار است.ما استدلال می کنیم که برای دستیابی به این هدف ، تقویت عملکرد طبقه بندی و توانایی تعمیم در طی فرآیند گروه ضروری است.برای افزایش دقت مدل ، هر یک از یادگیرنده های پایه ضعیف نیاز به یکپارچه سازی کارآمدتر دارند.مشاهده شده است که زبان آموزان مختلف پایه در پیش بینی کلاسهای مختلف ، سطح مختلفی از دقت را نشان می دهند.برای سرمایه گذاری در این مورد ، ما تانسرهای اعتماد به نفس $ tilde { mathbfθ} $ و $ tilde { mathbfθ} _ {اول} $ نشان می دهد که درجه اطمینان است که طبقه بندی کننده پایه $ t $ به کلاس $ اختصاص می دهدR $ در حالی که در واقع متعلق به کلاس $ S $ است.به بهترین دانش ما ، این اولین باری است که ارزیابی عملکرد طبقه بندی های پایه در کلاسهای مختلف ارائه شده است.تانسور اعتماد به نفس پیشنهادی نقاط قوت و ضعف هر طبقه بندی پایه را در کلاسهای مختلف جبران می کند و این روش را قادر می سازد تا با تعداد کمتری از زبان آموزان پایه به نتایج برتر برسد.برای تقویت عملکرد تعمیم ، ما یک عملکرد هدف صاف و محدب را طراحی می کنیم که از مفهوم حاشیه بهره می برد و یادگیرنده قوی را تبعیض آمیز تر می کند.علاوه بر این ، ثابت شده است که در ماتریس شیب عملکرد از دست دادن ، مجموع عناصر هر ستون صفر است و به ما امکان می دهد تا با استفاده از روشهای مبتنی بر شیب ، یک مشکل بهینه سازی محدود را حل کنیم.سپس الگوریتم خود را با جنگل های تصادفی ده برابر اندازه و سایر روشهای کلاسیک در مجموعه داده های متعدد مقایسه می کنیم و برتری رویکرد ما را نشان می دهد.