論文の概要: An ensemble learning framework based on group decision making
- arxiv url: http://arxiv.org/abs/2007.01167v1
- Date: Wed, 1 Jul 2020 13:18:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:57:29.354438
- Title: An ensemble learning framework based on group decision making
- Title(参考訳): グループ意思決定に基づくアンサンブル学習フレームワーク
- Authors: Jingyi He, Xiaojun Zhou, Rundong Zhang, Chunhua Yang
- Abstract要約: この問題を解決するために,グループ意思決定(GDM)に基づくアンサンブル学習(EL)手法の枠組みが提案されている。
この枠組みでは、基本学習者は意思決定者と見なすことができ、異なるカテゴリを代替と見なすことができ、分類法の性能を反映した精度、リコール、精度が採用できる。
- 参考スコア(独自算出の注目度): 7.906702226082627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The classification problem is a significant topic in machine learning which
aims to teach machines how to group together data by particular criteria. In
this paper, a framework for the ensemble learning (EL) method based on group
decision making (GDM) has been proposed to resolve this issue. In this
framework, base learners can be considered as decision-makers, different
categories can be seen as alternatives, classification results obtained by
diverse base learners can be considered as performance ratings, and the
precision, recall, and accuracy which can reflect the performances of the
classification methods can be employed to identify the weights of
decision-makers in GDM. Moreover, considering that the precision and recall
defined in binary classification problems can not be used directly in the
multi-classification problem, the One vs Rest (OvR) has been proposed to obtain
the precision and recall of the base learner for each category. The
experimental results demonstrate that the proposed EL method based on GDM has
higher accuracy than other 6 current popular classification methods in most
instances, which verifies the effectiveness of the proposed method.
- Abstract(参考訳): 分類問題は、特定の基準でデータをグループ化する方法を機械に教えることを目的とした機械学習において重要なトピックである。
本稿では,グループ意思決定(GDM)に基づくアンサンブル学習(EL)手法の枠組みを提案し,この問題を解決する。
この枠組みでは、基本学習者は意思決定者と見なすことができ、異なるカテゴリを代替と見なすことができ、多様な基礎学習者が獲得した分類結果を性能評価と見なすことができ、その精度、リコール、精度はGDMにおける意思決定者の重みを特定するために用いられる。
さらに、二分分類問題で定義される精度とリコールが、直接多分類問題で利用できないことを考慮し、各カテゴリのベース学習者の正確性とリコールを得るために、one vs rest (ovr) が提案されている。
実験の結果, gdmに基づくel法は, 提案手法の有効性を検証するため, 従来の6つの分類法よりも精度が高いことがわかった。
関連論文リスト
- A Universal Unbiased Method for Classification from Aggregate
Observations [115.20235020903992]
本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。
提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
論文 参考訳(メタデータ) (2023-06-20T07:22:01Z) - 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) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳(メタデータ) (2022-09-22T09:04:10Z) - An Evolutionary Approach for Creating of Diverse Classifier Ensembles [11.540822622379176]
CIF-Eと呼ばれる4段階のプロトコルに基づく分類器の選択と融合のためのフレームワークを提案する。
我々は,提案したCIF-Eプロトコルに従って,24種類のアンサンブルアプローチを実装し,評価した。
実験により、提案された進化的アプローチは、多くのよく知られたUCIデータセットにおいて最先端の文献的アプローチより優れていることが示された。
論文 参考訳(メタデータ) (2022-08-23T14:23:27Z) - Building an Ensemble of Classifiers via Randomized Models of Ensemble
Members [1.827510863075184]
本稿では,ベース分類器のランダム化モデルについて述べる。
提案手法では,モデルのランダムな操作は,一定サイズの学習集合群から学習集合のランダムな選択から得られる。
67のベンチマークデータセットを用いて,提案した能力モデルを用いたDESスキームを実験的に評価した。
論文 参考訳(メタデータ) (2021-09-16T10:53:13Z) - 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) - Unbiased Subdata Selection for Fair Classification: A Unified Framework
and Scalable Algorithms [0.8376091455761261]
このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。
そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。
これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
論文 参考訳(メタデータ) (2020-12-22T21:09:38Z) - SOAR: Simultaneous Or of And Rules for Classification of Positive &
Negative Classes [0.0]
本稿では,実世界の雑音の多い二項分類における固有曖昧性を明確に把握し,定量化する新奇かつ完全な分類法を提案する。
提案手法は,確率モデルのよりきめ細かい定式化につながり,シミュレート・アニーリングに基づく最適化により,同等の手法と競合する分類性能が得られることを示す。
論文 参考訳(メタデータ) (2020-08-25T20:00:27Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z) - Diversity-Aware Weighted Majority Vote Classifier for Imbalanced Data [1.2944868613449219]
多様性を考慮したアンサンブル学習に基づくアルゴリズム DAMVI を提案する。
本稿では, 予測保守作業, クレジットカード不正検出, ウェブページ分類, 医療応用に関する最先端モデルに関して, 提案手法の効率性を示す。
論文 参考訳(メタデータ) (2020-04-16T11:27:50Z) - Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。
次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文 参考訳(メタデータ) (2020-04-01T09:55:18Z)
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。