論文の概要: Bayesian Semi-supervised learning under nonparanormality
- arxiv url: http://arxiv.org/abs/2001.03798v1
- Date: Sat, 11 Jan 2020 21:31:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 09:36:38.460165
- Title: Bayesian Semi-supervised learning under nonparanormality
- Title(参考訳): 非正規性下でのベイズ半教師付き学習
- Authors: Rui Zhu, Subhashis Ghosal
- Abstract要約: ベイジアン半教師付きモデルを用いた半教師付き学習アルゴリズムを提案する。
提案手法は,様々なケースで予測精度が向上している。
- 参考スコア(独自算出の注目度): 2.3916495149874324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning is a classification method which makes use of both
labeled data and unlabeled data for training. In this paper, we propose a
semi-supervised learning algorithm using a Bayesian semi-supervised model. We
make a general assumption that the observations will follow two multivariate
normal distributions depending on their true labels after the same unknown
transformation. We use B-splines to put a prior on the transformation function
for each component. To use unlabeled data in a semi-supervised setting, we
assume the labels are missing at random. The posterior distributions can then
be described using our assumptions, which we compute by the Gibbs sampling
technique. The proposed method is then compared with several other available
methods through an extensive simulation study. Finally we apply the proposed
method in real data contexts for diagnosing breast cancer and classify radar
returns. We conclude that the proposed method has better prediction accuracy in
a wide variety of cases.
- Abstract(参考訳): 半教師付き学習は、ラベル付きデータとラベルなしデータの両方をトレーニングに用いる分類法である。
本論文では,ベイズ半教師付きモデルを用いた半教師付き学習アルゴリズムを提案する。
我々は、観測が同じ未知の変換の後、それらの真のラベルに依存する2つの多変量正規分布に従うと仮定する。
各コンポーネントの変換関数に先立って,B-splinesを使用します。
ラベルなしデータを半教師付き設定で使用するには、ラベルがランダムに欠落していると仮定する。
後続分布は、ギブスサンプリング法で計算した仮定を用いて記述することができる。
提案手法は, 広範囲なシミュレーション研究により, 他手法との比較を行った。
最後に,提案手法を実データに応用し,乳癌の診断とレーダリターンの分類を行う。
提案手法は, 様々なケースにおいて, 予測精度が向上した。
関連論文リスト
- Learning to solve Bayesian inverse problems: An amortized variational
inference approach using Gaussian and Flow guides [0.0]
本研究では,ベイズ逆写像,すなわちデータから後部への写像を学習することで,リアルタイムな推論を可能にする手法を開発する。
我々のアプローチは、ニューラルネットワークの前方通過のコストで、所定の観測のための後部分布を提供する。
論文 参考訳(メタデータ) (2023-05-31T16:25:07Z) - Generalized Differentiable RANSAC [95.95627475224231]
$nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。
$nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
論文 参考訳(メタデータ) (2022-12-26T15:13:13Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - An Information-theoretical Approach to Semi-supervised Learning under
Covariate-shift [24.061858945664856]
半教師あり学習における一般的な前提は、ラベル付き、ラベルなし、テストデータが同じ分布から引き出されることである。
本稿では,この問題に対処可能な半教師付き学習アルゴリズムを提案する。
また,このフレームワークはエントロピーの最小化や擬似ラベル付けなど,一般的な手法を復元する。
論文 参考訳(メタデータ) (2022-02-24T14:25:14Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Towards optimally abstaining from prediction [22.937799541125607]
機械学習のあらゆる領域に共通する課題は、トレーニングデータがテストデータのように分散されていないことだ。
一定のコストで予測を控えるモデルを考える。
我々は、Goldwasser、Kalais、Montasser(2020年)の最近の禁断アルゴリズムに基づいて、トランスダクティブバイナリ分類を行った。
論文 参考訳(メタデータ) (2021-05-28T21:44:48Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Learning Noise Transition Matrix from Only Noisy Labels via Total
Variation Regularization [88.91872713134342]
本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。
提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
論文 参考訳(メタデータ) (2021-02-04T05:09:18Z) - Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。
我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。
Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
論文 参考訳(メタデータ) (2020-07-24T05:18:17Z) - Learning the Prediction Distribution for Semi-Supervised Learning with
Normalising Flows [6.789370732159177]
画像分類のための半教師付き学習(SSL)において、完全に教師付き性能に近い印象的な結果が得られた。
本稿では,ラベル予測上の分布を考慮したSSLの確率論的一般化手法を提案する。
出力複雑性の異なるコンピュータビジョンタスクに対して,このアプローチの汎用性を実証する。
論文 参考訳(メタデータ) (2020-07-06T13:36:00Z) - Domain Adaptive Bootstrap Aggregating [5.444459446244819]
ブートストラップ集約(英: bootstrap aggregating)は、予測アルゴリズムの安定性を改善する一般的な方法である。
本稿では, ドメイン適応型バッグング手法と, 隣り合う新しい反復型サンプリング手法を提案する。
論文 参考訳(メタデータ) (2020-01-12T20:02:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。