Volume Regularization for Binary Classification
概要
分類問題を多次元空間の「点(重みベクトル)」ではなく「箱(重みベクトルの集合)」の形で最適化する.ここで「箱」の形で最適化する,とは「箱」中の重みベクトル集合の中で最悪性能を示す重みベクトルで最適化問題を評価した場合の値を最大化する事.さらに,理論的にはPAC-Bayesian Boundを求めており,ノイズ環境下ではAROWやSVMよりも非常に高い性能を示すことを確認している.
背景
- 既存の線形モデルは,信頼度や代替となる重みベクトルの情報を持たせる事が困難
- Bayesian Classifierは,計算量やメモリ制約の問題から近似手法が必要
- これまた中庸を取る
- 重みベクトル集合,つまり「箱」の最適化を行う
- 高速かつ省メモリでパラメータ更新が可能かつパラメータとして信頼できる重みベクトル集合が得られる