論文の概要: Adaptive Covariate Acquisition for Minimizing Total Cost of
Classification
- arxiv url: http://arxiv.org/abs/2002.09162v1
- Date: Fri, 21 Feb 2020 07:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:00:53.626624
- Title: Adaptive Covariate Acquisition for Minimizing Total Cost of
Classification
- Title（参考訳）: 分類の総コスト最小化のための適応的共変量取得
- Authors: Daniel Andrade and Yuzuru Okajima
- Abstract要約: 分類と誤分類のコストを最小限に抑える方法を提案する。
提案手法は, 従来手法と比較して低コストであることを示す。
提案手法は, 偽発見率を最小化しながら, ターゲットリコールを実現するものであることを確認した。
- 参考スコア（独自算出の注目度）: 7.893831644671974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In some applications, acquiring covariates comes at a cost which is not
negligible. For example in the medical domain, in order to classify whether a
patient has diabetes or not, measuring glucose tolerance can be expensive.
Assuming that the cost of each covariate, and the cost of misclassification can
be specified by the user, our goal is to minimize the (expected) total cost of
classification, i.e. the cost of misclassification plus the cost of the
acquired covariates. We formalize this optimization goal using the
(conditional) Bayes risk and describe the optimal solution using a recursive
procedure. Since the procedure is computationally infeasible, we consequently
introduce two assumptions: (1) the optimal classifier can be represented by a
generalized additive model, (2) the optimal sets of covariates are limited to a
sequence of sets of increasing size. We show that under these two assumptions,
a computationally efficient solution exists. Furthermore, on several medical
datasets, we show that the proposed method achieves in most situations the
lowest total costs when compared to various previous methods. Finally, we
weaken the requirement on the user to specify all misclassification costs by
allowing the user to specify the minimally acceptable recall (target recall).
Our experiments confirm that the proposed method achieves the target recall
while minimizing the false discovery rate and the covariate acquisition costs
better than previous methods.
- Abstract（参考訳）: 一部のアプリケーションでは、共変量を取得するコストは無視できない。
例えば、医学領域では、患者に糖尿病があるか否かを分類するために、耐糖能の測定は高価である。
各共変量のコストと誤分類のコストをユーザが指定できると仮定すると、我々の目標は分類の(予想された)総コスト、すなわち誤分類のコストと取得した共変量のコストを最小化することである。
この最適化目標を(条件付き)ベイズリスクを用いて定式化し,再帰的手続きを用いて最適解を記述する。
その結果,(1)最適分類器を一般化加法モデルで表現できる,(2)最適な共変量の組は増大するサイズの集合の列に制限される,という2つの仮定が導入された。
この2つの仮定の下で計算効率の良い解が存在することを示す。
さらに,いくつかの医学的データセットにおいて,提案手法が従来手法と比較して最も低い総コストを達成できることが示唆された。
最後に,ユーザが最小限に許容されるリコール(ターゲットリコール)を指定できるようにすることで,すべての誤分類コストをユーザに指定する要件を弱める。
提案手法は,従来の手法よりも誤検出率と共変量獲得コストを最小にしつつ,目標リコールを達成できることを確認した。
関連論文リスト
- Small Total-Cost Constraints in Contextual Bandits with Knapsacks, with
Application to Fairness [1.6741394365746018]
我々は,各ラウンドにおいてスカラー報酬が得られ,ベクトル値のコストがかかる問題であるknapsacks[CBwK]のコンテキスト的帯域幅問題を考える。
予測段階更新に基づく二元的戦略を導入し,多元対数項まで$sqrtT$の総コスト制約を扱えるようにした。
論文 参考訳（メタデータ） (2023-05-25T07:41:35Z) - Minimum-Risk Recalibration of Classifiers [9.31067660373791]
平均二乗誤差分解の枠組みにおいて,最小リスク再校正の概念を導入する。
校正分類器の転送には,スクラッチから再校正するのに比べて,ターゲットサンプルが著しく少ないことが示されている。
論文 参考訳（メタデータ） (2023-05-18T11:27:02Z) - Minimax Instrumental Variable Regression and $L_2$ Convergence
Guarantees without Identification or Closedness [71.42652863687117]
インストゥルメンタル変数(IV)回帰の非パラメトリック推定について検討した。
固定IV解に収束できる新しいペナル化ミニマックス推定器を提案する。
ラックス条件下での推定値に対して強い$L$誤差率を導出する。
論文 参考訳（メタデータ） (2023-02-10T18:08:49Z) - Decision-Making under Miscalibration [14.762226638396209]
MLベースの予測は、個人について連続的な決定を伝えるために使用される。
予想される$alpha$の誤校正を前提に、最悪の場合の後悔を最小限に抑えるしきい値である$j$を使うことを提案する。
予測校正誤差と最大校正誤差の両方を用いて誤校正が測定された場合、$j$の閉形式式を提供する。
実データに関する理論的知見を検証し,j$を用いた意思決定が臨床的有用性を改善する自然な事例があることを実証した。
論文 参考訳（メタデータ） (2022-03-18T10:44:11Z) - False membership rate control in mixture models [1.387448620257867]
クラスタリングタスクは、サンプルの要素を均質なグループに分割する。
教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。
本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
論文 参考訳（メタデータ） (2022-03-04T22:37:59Z) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳（メタデータ） (2021-11-01T19:49:35Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳（メタデータ） (2021-10-09T21:13:48Z) - Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
マルコフ決定過程における純粋探索問題について検討する。
エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
論文 参考訳（メタデータ） (2021-06-05T09:16:28Z) - Learning with User-Level Privacy [61.62978104304273]
ユーザレベルの差分プライバシー制約下での学習課題を,アルゴリズムを用いて解析する。
個々のサンプルのプライバシーのみを保証するのではなく、ユーザレベルのdpはユーザの貢献全体を保護します。
プライバシコストが$tau$に比例した$K$適応的に選択されたクエリのシーケンスにプライベートに答えるアルゴリズムを導き出し、私たちが検討する学習タスクを解決するためにそれを適用します。
論文 参考訳（メタデータ） (2021-02-23T18:25:13Z) - Sharp Statistical Guarantees for Adversarially Robust Gaussian
Classification [54.22421582955454]
逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。
結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
論文 参考訳（メタデータ） (2020-06-29T21:06:52Z) - Cost-aware Bayesian Optimization [6.75013674088437]
コストを意識したBOは、時間、エネルギー、お金といった他のコスト指標との収束を測定します。
我々は,目標関数をできるだけ少ないコストで最小化しようとするコスト調整BO(CArBO)を導入する。
論文 参考訳（メタデータ） (2020-03-22T14:51:04Z)
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。