Fugu-MT 論文翻訳(概要): Minimax optimal approaches to the label shift problem in non-parametric settings

論文の概要: Minimax optimal approaches to the label shift problem in non-parametric settings

arxiv url: http://arxiv.org/abs/2003.10443v3
Date: Tue, 22 Nov 2022 20:30:39 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 00:50:21.285876
Title: Minimax optimal approaches to the label shift problem in non-parametric settings
Title（参考訳）: 非パラメトリック設定におけるラベルシフト問題に対するminimax最適アプローチ
Authors: Subha Maity, Yuekai Sun, and Moulinath Banerjee
Abstract要約: 非パラメトリック分類におけるラベルシフト問題の最小値について検討する。教師なし設定では,クラス比例推定手法が最小値率最適であることを示す。
参考スコア（独自算出の注目度）: 21.162280861396205
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the minimax rates of the label shift problem in non-parametric classification. In addition to the unsupervised setting in which the learner only has access to unlabeled examples from the target domain, we also consider the setting in which a small number of labeled examples from the target domain is available to the learner. Our study reveals a difference in the difficulty of the label shift problem in the two settings, and we attribute this difference to the availability of data from the target domain to estimate the class conditional distributions in the latter setting. We also show that a class proportion estimation approach is minimax rate-optimal in the unsupervised setting.
Abstract（参考訳）: 非パラメトリック分類におけるラベルシフト問題の最小値について検討する。学習者が対象ドメインからラベル付けされていない例のみにアクセス可能な教師なし設定に加えて,対象ドメインからラベル付けされた少数の例を学習者に提供可能な設定についても検討する。本研究は,2つの設定におけるラベルシフト問題の難易度の違いを明らかにし,後者の設定におけるクラス条件分布を推定するために,対象領域からのデータの可利用性に起因する。また,クラス比例推定手法は教師なし設定では最小レート最適であることを示した。

関連論文リスト

Self Adaptive Threshold Pseudo-labeling and Unreliable Sample Contrastive Loss for Semi-supervised Image Classification [6.920336485308536]
擬似ラベルに基づく半教師付きアプローチは、画像分類において2つの問題に悩まされる。我々は,各クラスの閾値を動的に調整し,信頼性の高いサンプル数を増やす自己適応型閾値擬似ラベル戦略を開発した。しきい値以下でラベル付けされていないデータを効果的に活用するために、信頼できないサンプルコントラスト損失を提案する。
論文参考訳（メタデータ） (2024-07-04T03:04:56Z)
Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文参考訳（メタデータ） (2023-03-27T07:46:58Z)
Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文参考訳（メタデータ） (2022-12-21T18:30:22Z)
Domain Adaptation under Open Set Label Shift [39.424134505152544]
オープンセットラベルシフト(OSLS)におけるドメイン適応問題について紹介する。 OSLSはラベルシフトとポジティブアンラベル(PU)学習の下でドメイン適応を仮定する。ブラックボックス予測器を利用する両方のタスクに対して,実用的な手法を提案する。
論文参考訳（メタデータ） (2022-07-26T17:09:48Z)
Cross-domain error minimization for unsupervised domain adaptation [2.9766397696234996]
教師なしのドメイン適応は、ラベル付きソースドメインからラベルなしのターゲットドメインに知識を転送することを目的としています。従来の手法では、特徴分布間の差を減らし、ソースエラーを最小限に抑えるために、ドメイン不変の機能を学ぶことに重点を置いていた。学習中により正確な擬似ラベルを持つ対象サンプルを選択するためのカリキュラムベースの戦略を提案する。
論文参考訳（メタデータ） (2021-06-29T02:00:29Z)
Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-18T19:03:40Z)
Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2020-12-07T03:37:38Z)
Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
論文参考訳（メタデータ） (2020-10-23T08:33:04Z)
Hard Class Rectification for Domain Adaptation [36.58361356407803]
ドメイン適応(DA)は、ラベルリッチドメイン(ソースドメイン)からラベルケアドメイン(ターゲットドメイン)に知識を移すことを目的としている。本稿では,HCRPL(Hard Class Rectification Pseudo-labeling)と呼ばれる新しいフレームワークを提案する。提案手法は,非教師付きドメイン適応(UDA)と半教師付きドメイン適応(SSDA)の両方において評価される。
論文参考訳（メタデータ） (2020-08-08T06:21:58Z)
Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
論文参考訳（メタデータ） (2020-06-19T01:55:00Z)
MiniMax Entropy Network: Learning Category-Invariant Features for Domain Adaptation [29.43532067090422]
逆学習に基づくMMEN(MiniMax Entropy Networks)と呼ばれる実装が容易な手法を提案する。ドメイン差に対処するためにジェネレータを使用する既存のアプローチとは異なり、MMENはラベルのないターゲットサンプルからカテゴリ情報を学習することに重点を置いている。
論文参考訳（メタデータ） (2019-04-21T13:39:29Z)

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。