Bounds for sparse solutions of K-SVCR multi-class classification model

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A10472187" target="_blank" >RIV/00216208:11320/23:10472187 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-031-24866-5_11" target="_blank" >https://doi.org/10.1007/978-3-031-24866-5_11</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-24866-5_11" target="_blank" >10.1007/978-3-031-24866-5_11</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Bounds for sparse solutions of K-SVCR multi-class classification model

Popis výsledku v původním jazyce

The support vector classification-regression machine for k-class classification (K-SVCR) is a novel multi-class classification approach based on the 1-versus-1-versus-rest structure. In this work, we suggested an efficient model by proposing the p-norm (0&lt;p&lt;1) instead of the 2-norm for the regularization term in the objective function of K-SVCR that can be used for feature selection. We derived lower bounds for the absolute value of nonzero entries in every local optimal solution of the p-norm based model. Also, we provided upper bounds for the number of nonzero components of the optimal solutions. We explored the link between solution sparsity, regularization parameters, and the p-choice.

Název v anglickém jazyce

Bounds for sparse solutions of K-SVCR multi-class classification model

Popis výsledku anglicky

The support vector classification-regression machine for k-class classification (K-SVCR) is a novel multi-class classification approach based on the 1-versus-1-versus-rest structure. In this work, we suggested an efficient model by proposing the p-norm (0&lt;p&lt;1) instead of the 2-norm for the regularization term in the objective function of K-SVCR that can be used for feature selection. We derived lower bounds for the absolute value of nonzero entries in every local optimal solution of the p-norm based model. Also, we provided upper bounds for the number of nonzero components of the optimal solutions. We explored the link between solution sparsity, regularization parameters, and the p-choice.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA22-11117S" target="_blank" >GA22-11117S: Globální analýza citlivosti a stabilita v optimalizačních úlohách</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Learning and Intelligent Optimization, 16th International Conference, LION 16

ISBN

978-3-031-24866-5

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

9

Strana od-do

136-144

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Milos Island, Greece

Datum konání akce

5. 6. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—