論文の概要: Apportioned Margin Approach for Cost Sensitive Large Margin Classifiers

• arxiv url: http://arxiv.org/abs/2002.01408v1
• Date: Tue, 4 Feb 2020 17:00:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 02:43:06.576337
• Title: Apportioned Margin Approach for Cost Sensitive Large Margin Classifiers
• Title（参考訳）: コストセンシティブな大マルジン分類器に対する近似マージンアプローチ
• Authors: Lee-Ad Gottlieb, Eran Kaufman, Aryeh Kontorovich
• Abstract要約: 我々は,コストセンシティブなマルチクラス分類の問題に対処するために,エミュレーション付きマージンフレームワークを採用する。 フレームワークは重要なクラスに対してより厳密なエラーを発生させると同時に、全体的なサンプル外エラーを低減します。 フレームワークの効率的な実装の実証に加えて、バウンダリを導き、Fisherの一貫性を実証し、Mercurerのカーネルとニューラルネットワークにフレームワークを適応させ、すべてのアカウントで有望な実験結果を報告します。
• 参考スコア（独自算出の注目度）: 12.749406938174856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of cost sensitive multiclass classification, where we would like to increase the sensitivity of an important class at the expense of a less important one. We adopt an {\em apportioned margin} framework to address this problem, which enables an efficient margin shift between classes that share the same boundary. The decision boundary between all pairs of classes divides the margin between them in accordance to a given prioritization vector, which yields a tighter error bound for the important classes while also reducing the overall out-of-sample error. In addition to demonstrating an efficient implementation of our framework, we derive generalization bounds, demonstrate Fisher consistency, adapt the framework to Mercer's kernel and to neural networks, and report promising empirical results on all accounts.
• Abstract（参考訳）: コストに敏感なマルチクラス分類の問題を考察し、より重要でないクラスを犠牲にして、重要なクラスの感度を高めたいと考えている。 我々はこの問題に対処するために {\em Apportioned margin} フレームワークを採用し、同じ境界を共有するクラス間の効率的なマージンシフトを可能にする。 すべてのクラス間の決定境界は、与えられた優先順位付けベクトルに従ってそれらのマージンを分割し、重要なクラスに対してより厳密なエラーを生じると同時に、全体のアウト・オブ・サンプルエラーを減少させる。 フレームワークの効率的な実装の実証に加えて、一般化バウンダリの導出、フィッシャーの一貫性の実証、Mercurerのカーネルとニューラルネットワークへの適応、そしてすべてのアカウントで有望な実証結果の報告を行う。

関連論文リスト

• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Fairness in Streaming Submodular Maximization over a Matroid Constraint [19.27202441717429]
  この問題の自然な一般化をマトロイド制約に当てはめる。 ストリーミングアルゴリズムと、効率、品質、公正性のトレードオフを提供する非可視性結果を提供しています。
  論文  参考訳（メタデータ） (2023-05-24T13:10:46Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• Fair learning with Wasserstein barycenters for non-decomposable performance measures [8.508198765617198]
  本研究は,人口順の制約下での精度の最大化が,対応する回帰問題の解法と等価であることを示す。 この結果を線形屈折法分類尺度(例えば$rm F$-score、AM測度、平衡精度など)に拡張する。
  論文  参考訳（メタデータ） (2022-09-01T13:06:43Z)
• Towards Calibrated Hyper-Sphere Representation via Distribution Overlap Coefficient for Long-tailed Learning [8.208237033120492]
  ロングテール学習は、現実世界のシナリオにおいて、厳しいクラス不均衡の下で、ヘッドクラスがトレーニング手順を支配しているという課題に取り組むことを目的としている。 これを動機として、コサインに基づく分類器をフォン・ミセス・フィッシャー混合モデル(vMF)に一般化する。 分布重なり係数の計算により超球面上の表現品質を測定する。
  論文  参考訳（メタデータ） (2022-08-22T03:53:29Z)
• MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation [71.4942277262067]
  本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。 我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
  論文  参考訳（メタデータ） (2022-07-25T17:55:28Z)
• Learning Towards the Largest Margins [83.7763875464011]
  損失関数は、クラスとサンプルの両方の最大のマージンを促進するべきである。 この原則化されたフレームワークは、既存のマージンベースの損失を理解し、解釈するための新しい視点を提供するだけでなく、新しいツールの設計を導くことができます。
  論文  参考訳（メタデータ） (2022-06-23T10:03:03Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Beyond cross-entropy: learning highly separable feature distributions for robust and accurate classification [22.806324361016863]
  本稿では, 対角的ロバスト性を提供する, ディープロバストなマルチクラス分類器を訓練するための新しい手法を提案する。 提案手法に基づく潜在空間の正則化は,優れた分類精度が得られることを示す。
  論文  参考訳（メタデータ） (2020-10-29T11:15:17Z)
• Hidden Cost of Randomized Smoothing [72.93630656906599]
  本稿では、現在のランダム化平滑化による副作用を指摘する。 具体的には,1)スムーズな分類器の決定境界が小さくなり,クラスレベルでの精度の相違が生じること,2)学習過程における雑音増強の適用は,一貫性のない学習目的による縮小問題を必ずしも解決しない,という2つの主要なポイントを具体化し,証明する。
  論文  参考訳（メタデータ） (2020-03-02T23:37:42Z)

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。