論文の概要: Bayesian Semi-supervised Multi-category Classification under Nonparanormality

• arxiv url: http://arxiv.org/abs/2001.03798v3
• Date: Fri, 19 Jul 2024 00:41:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 06:25:22.964606
• Title: Bayesian Semi-supervised Multi-category Classification under Nonparanormality
• Title（参考訳）: 非正規性下におけるベイズ半教師付き多カテゴリー分類
• Authors: Rui Zhu, Shuvrarghya Ghosh, Subhashis Ghosal,
• Abstract要約: セミ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使用するモデルトレーニング手法である。 本稿では,任意のカテゴリ分類問題に適用可能なベイズ半教師付き学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.307581190124002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning is a model training method that uses both labeled and unlabeled data. This paper proposes a fully Bayes semi-supervised learning algorithm that can be applied to any multi-category classification problem. We assume the labels are missing at random when using unlabeled data in a semi-supervised setting. Suppose we have $K$ classes in the data. We assume that the observations follow $K$ multivariate normal distributions depending on their true class labels after some common unknown transformation is applied to each component of the observation vector. The function is expanded in a B-splines series, and a prior is added to the coefficients. We consider a normal prior on the coefficients and constrain the values to meet the normality and identifiability constraints requirement. The precision matrices of the Gaussian distributions are given a conjugate Wishart prior, while the means are given the improper uniform prior. The resulting posterior is still conditionally conjugate, and the Gibbs sampler aided by a data-augmentation technique can thus be adopted. An extensive simulation study compares the proposed method with several other available methods. The proposed method is also applied to real datasets on diagnosing breast cancer and classification of signals. We conclude that the proposed method has a better prediction accuracy in various cases.
• Abstract（参考訳）: セミ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使用するモデルトレーニング手法である。 本稿では,任意のカテゴリ分類問題に適用可能なベイズ半教師付き学習アルゴリズムを提案する。 半教師付き環境でラベル付きデータを使用する場合、ラベルがランダムに欠落していると仮定する。 データに$K$クラスがあると仮定する。 観測ベクトルの各成分に共通な未知の変換を適用した後、それらの真のクラスラベルに依存する多変量正規分布を$K$で従うと仮定する。 関数はB-スプライン級数で拡張され、係数に前もって加算される。 我々は、係数の通常の事前を考慮し、正規性と識別可能性の制約を満たすために値を制約する。 ガウス分布の精度行列は、前に共役ウィッシュアートを与えられ、その平均は、以前に不適切な一様を与える。 結果として得られる後部は、まだ条件付き共役であり、データ増強技術によって支援されたギブスサンプリング装置が採用できる。 シミュレーション実験では,提案手法と他のいくつかの方法との比較を行った。 乳がんの診断と信号の分類に関する実際のデータセットにも本手法を適用した。 提案手法は,様々なケースにおいて予測精度が向上している。

関連論文リスト

• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Discriminative calibration: Check Bayesian computation from simulations and flexible classifier [23.91355980551754]
  我々は,データからテスト統計を学習するフレキシブルな分類手法により,限界ランクテストを置き換えることを提案する。 ニューラルネットワークと統計的に着想を得た特徴を用いた自動実装について説明するとともに,数値および実データ実験による検証を行う。
  論文  参考訳（メタデータ） (2023-05-24T00:18:48Z)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• DenseHybrid: Hybrid Anomaly Detection for Dense Open-set Recognition [1.278093617645299]
  異常検出は、正規トレーニングデータの生成的モデリングや、負のトレーニングデータに対する識別によって行うことができる。 本稿では,大きな自然画像に対して密集した開集合認識が可能なハイブリッド異常スコアを提案する。 実験では, 標準密度異常検出ベンチマークと, オープンセット性能の新たな指標であるopen-mIoUについて評価した。
  論文  参考訳（メタデータ） (2022-07-06T11:48:50Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• 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)
• Large scale analysis of generalization error in learning using margin based classification methods [2.436681150766912]
  サンプルサイズ$n$と次元$p$の両方の極限で、大マルジン分類器の族を一般化誤差とする式を導出する。 2層ニューラルネットワークでは、最近開発された2重降下現象をいくつかの分類モデルで再現する。
  論文  参考訳（メタデータ） (2020-07-16T20:31:26Z)
• Handling missing data in model-based clustering [0.0]
  欠損データの存在下でガウス混合体を適合させる2つの方法を提案する。 どちらの手法もデータ拡張のためにモンテカルロ予測最大化アルゴリズムの変種を用いる。 提案手法はクラスタ同定と密度推定の両面で多重計算手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-04T15:36:31Z)

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。