論文の概要: Robust Bayesian Classification Using an Optimistic Score Ratio
- arxiv url: http://arxiv.org/abs/2007.04458v1
- Date: Wed, 8 Jul 2020 22:25:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 12:41:03.894802
- Title: Robust Bayesian Classification Using an Optimistic Score Ratio
- Title(参考訳): 楽観的スコア比を用いたロバストベイズ分類
- Authors: Viet Anh Nguyen and Nian Si and Jose Blanchet
- Abstract要約: クラス条件、文脈、分布に関する情報が限られている場合に、楽観的なスコア比を頑健なバイナリ分類に使用します。
楽観的なスコアは、テストサンプルの観察結果を説明するのに最も有効な分布を探索する。
- 参考スコア(独自算出の注目度): 18.047694351309204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We build a Bayesian contextual classification model using an optimistic score
ratio for robust binary classification when there is limited information on the
class-conditional, or contextual, distribution. The optimistic score searches
for the distribution that is most plausible to explain the observed outcomes in
the testing sample among all distributions belonging to the contextual
ambiguity set which is prescribed using a limited structural constraint on the
mean vector and the covariance matrix of the underlying contextual
distribution. We show that the Bayesian classifier using the optimistic score
ratio is conceptually attractive, delivers solid statistical guarantees and is
computationally tractable. We showcase the power of the proposed optimistic
score ratio classifier on both synthetic and empirical data.
- Abstract(参考訳): 我々は,クラス条件,あるいは文脈分布に関する情報が限られている場合,頑健なバイナリ分類のための楽観的スコア比を用いたベイズ文脈分類モデルを構築する。
楽観的なスコアは、平均ベクトルと基礎となる文脈分布の共分散行列に制限された構造的制約を用いて規定される文脈曖昧性集合に属するすべての分布のうち、テストサンプルの観測結果を説明する最も有効な分布を探索する。
楽観的スコア比を用いたベイズ分類器は,概念的に魅力的であり,統計的保証がしっかりでき,計算も容易である。
提案する楽観的スコア比分類器のパワーを合成データと実験データの両方に示す。
関連論文リスト
- SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed
Semi-Supervised Learning [56.13438490600715]
ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。
我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。
本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
論文 参考訳(メタデータ) (2024-02-21T03:39:04Z) - Obtaining Explainable Classification Models using Distributionally
Robust Optimization [12.511155426574563]
特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。
ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。
我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
論文 参考訳(メタデータ) (2023-11-03T15:45:34Z) - Correcting Underrepresentation and Intersectional Bias for Fair
Classification [55.2480439325792]
偏見バイアスによって劣化したデータから学習する問題について考察し, 正の例を, 一定の数のセンシティブなグループに対して, 異なる未知のレートでフィルタする。
交叉群のメンバーシップが各交叉率を計算不能にするような設定であっても,少数の偏りのないデータを用いてグループワイド・ドロップアウトパラメータを効率的に推定できることが示される。
我々は,この学習と再重み付け過程をカプセル化するアルゴリズムを提案し,高い確率で真の分布に対する仮説のリスクが任意に近いことをPACスタイルの強い保証を提供する。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - Characterizing the Optimal 0-1 Loss for Multi-class Classification with
a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。
本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文 参考訳(メタデータ) (2023-02-21T15:17:13Z) - Bayesian Quantification with Black-Box Estimators [1.599072005190786]
調整された分類と数、ブラックボックスシフト推定器、不変比推定器などのアプローチでは、クラス分布を推定し、弱い仮定の下で保証を得る補助的(および潜在的に偏りのある)ブラックボックス分類器を用いる。
これら全てのアルゴリズムが特定のベイズ連鎖モデルにおける推論と密接に関連していることを示し、仮定された基底構造生成過程を近似する。
次に,導入モデルに対する効率的なマルコフ・モンテカルロサンプリング手法について検討し,大容量データ限界における一貫性の保証を示す。
論文 参考訳(メタデータ) (2023-02-17T22:10:04Z) - Taming Adversarial Robustness via Abstaining [7.1975923901054575]
我々は,観測を逆境によって摂動させることができる二元分類問題を考える。
我々は、予測に対する信頼度が低い場合に、分類器が決定を棄却する断定オプションを含む。
本研究では, 減衰領域の選択方法に関係なく, 両指標のトレードオフが存在することを示した。
論文 参考訳(メタデータ) (2021-04-06T07:36:48Z) - Classifier-independent Lower-Bounds for Adversarial Robustness [13.247278149124757]
理論的には、テストタイムの逆数と雑音の分類例に対するロバスト性の限界を解析する。
最適輸送理論を用いて、与えられた分類問題に対して分類器ができるベイズ最適誤差の変分式を導出する。
一般的な距離ベース攻撃の場合,ベイズ最適誤差に対して明らかな下限を導出する。
論文 参考訳(メタデータ) (2020-06-17T16:46:39Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳(メタデータ) (2020-05-20T15:01:03Z) - Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。
標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。
この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文 参考訳(メタデータ) (2020-01-19T12:00:33Z)
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。