論文の概要: Generalized Maximum Entropy for Supervised Classification
- arxiv url: http://arxiv.org/abs/2007.05447v3
- Date: Wed, 15 Dec 2021 17:48:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:15:39.858503
- Title: Generalized Maximum Entropy for Supervised Classification
- Title（参考訳）: 教師付き分類のための一般化最大エントロピー
- Authors: Santiago Mazuelas, Yuan Shen, and Aritz P\'erez
- Abstract要約: 最大エントロピー原理は、エントロピーを最大化する分布を用いて事象の確率を評価することを提唱している。
本稿では,一般化最大エントロピー原理に基づく教師付き分類の枠組みを確立する。
- 参考スコア（独自算出の注目度）: 26.53901315716557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The maximum entropy principle advocates to evaluate events' probabilities
using a distribution that maximizes entropy among those that satisfy certain
expectations' constraints. Such principle can be generalized for arbitrary
decision problems where it corresponds to minimax approaches. This paper
establishes a framework for supervised classification based on the generalized
maximum entropy principle that leads to minimax risk classifiers (MRCs). We
develop learning techniques that determine MRCs for general entropy functions
and provide performance guarantees by means of convex optimization. In
addition, we describe the relationship of the presented techniques with
existing classification methods, and quantify MRCs performance in comparison
with the proposed bounds and conventional methods.
- Abstract（参考訳）: 最大エントロピー原理は、特定の期待の制約を満たすもののエントロピーを最大化する分布を用いて事象の確率を評価することを提唱している。
このような原理は、ミニマックスアプローチに対応する任意の決定問題に対して一般化することができる。
本稿では,最小リスク分類器(MRC)につながる一般化最大エントロピー原理に基づいて,教師付き分類の枠組みを確立する。
我々は,一般エントロピー関数のためのmrcを決定する学習手法を開発し,凸最適化による性能保証を提供する。
さらに,提案手法と既存の分類手法との関係について述べるとともに,提案手法と従来手法との比較によりMDCの性能を定量化する。
関連論文リスト
- A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。
本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
論文 参考訳（メタデータ） (2024-05-24T21:09:19Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - A Unified Convergence Theorem for Stochastic Optimization Methods [4.94128206910124]
一連の統一最適化手法に対する収束結果の導出に使用される基本的な統一収束定理を提供する。
直接応用として、一般的な設定下での収束結果をほぼ確実に回復する。
論文 参考訳（メタデータ） (2022-06-08T14:01:42Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳（メタデータ） (2022-01-21T02:46:57Z) - Notes on Generalizing the Maximum Entropy Principle to Uncertain Data [0.0]
最大エントロピーの原理を最小限の情報量で計算する。
本手法は最大エントロピーと潜在最大エントロピーの原理を一般化することを示す。
限られたデータの場合、特徴期待制約にエラー項を追加するための一般的な正則化手法について論じる。
論文 参考訳（メタデータ） (2021-09-09T19:43:28Z) - Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
テンソルの合同ベンチマークとクラスタリングの問題を考察する。
本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-15T21:06:16Z) - Community Detection in the Stochastic Block Model by Mixed Integer
Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。
DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。
本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文 参考訳（メタデータ） (2021-01-26T22:04:40Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z) - A maximum-entropy approach to off-policy evaluation in average-reward
MDPs [54.967872716145656]
この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。
提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。
この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
論文 参考訳（メタデータ） (2020-06-17T18:13:37Z)
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。