論文の概要: Angle-Based Cost-Sensitive Multicategory Classification

• arxiv url: http://arxiv.org/abs/2003.03691v1
• Date: Sun, 8 Mar 2020 00:42:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 13:56:33.243311
• Title: Angle-Based Cost-Sensitive Multicategory Classification
• Title（参考訳）: アングルに基づくコスト感性多カテゴリ分類
• Authors: Yi Yang, Yuxuan Guo and Xiangyu Chang
• Abstract要約: 本稿では,ゼロ対ゼロの制約を伴わない多カテゴリ分類のための,新しいアングルに基づくコスト依存分類フレームワークを提案する。 このフレームワークの有用性を示すために、2つのコスト依存型マルチカテゴリブースティングアルゴリズムを具体例として導出した。
• 参考スコア（独自算出の注目度）: 34.174072286426885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world classification problems come with costs which can vary for different types of misclassification. It is thus important to develop cost-sensitive classifiers which minimize the total misclassification cost. Although binary cost-sensitive classifiers have been well-studied, solving multicategory classification problems is still challenging. A popular approach to address this issue is to construct K classification functions for a K-class problem and remove the redundancy by imposing a sum-to-zero constraint. However, such method usually results in higher computational complexity and inefficient algorithms. In this paper, we propose a novel angle-based cost-sensitive classification framework for multicategory classification without the sum-to-zero constraint. Loss functions that included in the angle-based cost-sensitive classification framework are further justified to be Fisher consistent. To show the usefulness of the framework, two cost-sensitive multicategory boosting algorithms are derived as concrete instances. Numerical experiments demonstrate that proposed boosting algorithms yield competitive classification performances against other existing boosting approaches.
• Abstract（参考訳）: 多くの現実世界の分類問題には、異なるタイプの誤分類に対して異なるコストが伴う。 したがって、全体の誤分類コストを最小限に抑えるコスト感受性分類器を開発することが重要である。 バイナリコスト依存型分類器はよく研究されているが、多カテゴリ分類問題の解決はいまだに困難である。 この問題に対処する一般的なアプローチは、kクラス問題に対するk分類関数を構築し、サム・トゥ・ゼロの制約を課すことで冗長性を取り除くことである。 しかし、そのような手法は通常、計算の複雑さと非効率なアルゴリズムをもたらす。 本稿では,単元制約を伴わないマルチカテゴリ分類のためのアングル型コストセンシティブ分類フレームワークを提案する。 アングルベースのコスト依存分類フレームワークに含まれる損失関数は、Fisherの一貫性をさらに正当化する。 このフレームワークの有用性を示すために、コストに敏感な2つのマルチカテゴリブースティングアルゴリズムを具体例として導出する。 数値実験により,提案したブースティングアルゴリズムは既存のブースティング手法と競合する性能を示す。

関連論文リスト

• BAdaCost: Multi-class Boosting with Costs [2.6080756513915824]
  BAdaCostは、マルチクラスコストセンシティブな分類アルゴリズムである。 従来のマルチクラスコストセンシティブなアプローチと比較して、パフォーマンスが大幅に向上する。
  論文  参考訳（メタデータ） (2024-02-06T23:18:29Z)
• Cost-Sensitive Stacking: an Empirical Evaluation [3.867363075280544]
  コスト感受性学習は、誤分類コストの違いを考慮に入れた分類アルゴリズムに適応する。 コストに敏感なスタックとは何か、という文献には意見の一致がない。 実験は12のデータセットを用いて行われ、最高の性能を得るためには、どちらのレベルの積み重ねもコストに敏感な分類決定を必要とすることを示した。
  論文  参考訳（メタデータ） (2023-01-04T18:28:07Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms [36.810603503167755]
  我々は,MCIMO(Multi-class classification with Imprecise Observation)と呼ばれる新しい現実的問題に対処する新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そこで,提案した課題を解決するために,サポートベクタマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2022-06-09T07:14:00Z)
• The SAMME.C2 algorithm for severely imbalanced multi-class classification [0.0]
  マイノリティクラスは、観測に適した科学学習アルゴリズムが無数の課題を提示しているにもかかわらず、より興味深いクラスと見なされることが多い。 我々は,SAMME.C2と呼ぶ手法に基づいて,高度に不均衡なクラスを扱うための,新しい多クラス分類アルゴリズムを提案する。 得られたアルゴリズムを提供するだけでなく,提案したSAMME.C2アルゴリズムの科学的および統計的定式化も行う。
  論文  参考訳（メタデータ） (2021-12-30T00:20:01Z)
• Adaptive Cost-Sensitive Learning in Neural Networks for Misclassification Cost Problems [2.8935588665357077]
  誤分類コスト問題に対する適応学習アルゴリズムを設計する。 我々のアルゴリズムは、トレーニングにおけるサンプルのサブグループと、同様の予測された確率を持つテストデータセットのクラス分布の違いを橋渡しする。 本稿では,提案アルゴリズムを用いたディープニューラルネットワークが,クラス不均衡分布とクラス不均衡分布を持つ複数のバイナリ分類データセットに対して,他のアプローチと比較して,より良いコスト結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-11-14T16:19:11Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)
• Self-Weighted Robust LDA for Multiclass Classification with Edge Classes [111.5515086563592]
  SWRLDAと呼ばれる,l21ノルムを基準とした新しい自己重み付き頑健なLDAを提案する。 提案するSWRLDAは実装が容易で,実際に高速に収束する。
  論文  参考訳（メタデータ） (2020-09-24T12:32:55Z)

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。