Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Inference with the Universum

Weston, J., Collobert, R., Sinz, F., Bottou, L., & Vapnik, V. (2006). Inference with the Universum. In W. Cohen, & A. Moore (Eds.), ICML '06: Proceedings of the 23rd International Conference on Machine Learning (pp. 1009-1016). New York, NY, USA: ACM Press.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-D139-2 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0006-C57C-1
Genre: Konferenzbeitrag

Dateien

einblenden: Dateien
ausblenden: Dateien
:
ICML-2006-Weston.pdf (beliebiger Volltext), 393KB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0004-9A82-B
Name:
ICML-2006-Weston.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://dl.acm.org/citation.cfm?doid=1143844.1143971 (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Weston, J, Autor           
Collobert, R, Autor
Sinz, F1, 2, Autor           
Bottou, L, Autor
Vapnik, V, Autor           
Affiliations:
1Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497794              
2Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497795              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: WIn this paper we study a new framework introduced by Vapnik (1998) and Vapnik (2006) that is an alternative capacity concept to the large margin approach. In the particular case of binary classification, we are given a set of labeled examples, and a collection of "non-examples" that do not belong to either class of interest. This collection, called the Universum, allows one to encode prior knowledge by representing meaningful concepts in the same domain as the problem at hand. We describe an algorithm to leverage the Universum by maximizing the number of observed contradictions, and show experimentally that this approach delivers accuracy improvements over using labeled data alone.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2006-06
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1145/1143844.1143971
BibTex Citekey: 3916
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 23rd International Conference on Machine Learning (ICML 2006)
Veranstaltungsort: Pittsburgh, PA, USA
Start-/Enddatum: 2006-06-25 - 2006-06-29

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: ICML '06: Proceedings of the 23rd International Conference on Machine Learning
Genre der Quelle: Konferenzband
 Urheber:
Cohen, W, Herausgeber
Moore, A, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: New York, NY, USA : ACM Press
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 1009 - 1016 Identifikator: ISBN: 1-59593-383-2