Fugu-MT 論文翻訳(概要): Misclassification cost-sensitive ensemble learning: A unifying framework

論文の概要: Misclassification cost-sensitive ensemble learning: A unifying framework

arxiv url: http://arxiv.org/abs/2007.07361v1
Date: Tue, 14 Jul 2020 21:18:33 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 13:58:25.123803
Title: Misclassification cost-sensitive ensemble learning: A unifying framework
Title（参考訳）: コスト依存型アンサンブル学習の誤分類:統一フレームワーク
Authors: George Petrides and Wouter Verbeke
Abstract要約: 私たちのコントリビューションは、コストに敏感なアンサンブルメソッドに関する包括的で洞察に富んだ概要を提供する統一フレームワークです。私たちのフレームワークには、AdaBoost、Bagging、Random Forestなど、メソッド間の自然な拡張とアイデアの一般化が含まれています。
参考スコア（独自算出の注目度）: 7.90398448280017
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over the years, a plethora of cost-sensitive methods have been proposed for learning on data when different types of misclassification errors incur different costs. Our contribution is a unifying framework that provides a comprehensive and insightful overview on cost-sensitive ensemble methods, pinpointing their differences and similarities via a fine-grained categorization. Our framework contains natural extensions and generalisations of ideas across methods, be it AdaBoost, Bagging or Random Forest, and as a result not only yields all methods known to date but also some not previously considered.
Abstract（参考訳）: 長年にわたり、異なるタイプの誤分類エラーが異なるコストをもたらす場合にデータについて学ぶために、多くのコストに敏感な方法が提案されてきた。私たちの貢献は、コストに敏感なアンサンブルメソッドに関する包括的かつ洞察に富んだ概要を提供する統一フレームワークです。我々のフレームワークには、AdaBoost、Bagging、Random Forestなど、メソッド間の自然な拡張とアイデアの一般化が含まれており、結果として、現在知られているすべてのメソッドだけでなく、これまで検討されていないいくつかのメソッドも得られます。

関連論文リスト

Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。均一分布仮定に依存しない一貫したアプローチを提案する。相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文参考訳（メタデータ） (2023-11-27T02:59:17Z)
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)
Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
論文参考訳（メタデータ） (2023-03-21T14:24:58Z)
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)
A Similarity-based Framework for Classification Task [21.182406977328267]
類似性に基づく手法は,複数ラベル学習のための新しい手法のクラスを生み出し,有望な性能を達成する。類似性に基づく学習と一般化された線形モデルを組み合わせて、両方の世界のベストを達成します。
論文参考訳（メタデータ） (2022-03-05T06:39:50Z)
Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文参考訳（メタデータ） (2022-02-28T18:09:44Z)
Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文参考訳（メタデータ） (2022-02-07T13:08:11Z)
A survey of Monte Carlo methods for noisy and costly densities with application to reinforcement learning [0.0]
この種の問題は、最適化や強化学習など、多くの現実世界のシナリオで見ることができる。異なる手法を3つの主要なクラスに分類し、統一された表記法でアルゴリズムの特定のインスタンスを記述する。可能性のない設定と強化学習に特に注意を払って、様々な応用シナリオについて論じる。
論文参考訳（メタデータ） (2021-08-01T16:47:15Z)
Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
論文参考訳（メタデータ） (2021-06-16T15:38:13Z)
Deep Learning based Frameworks for Handling Imbalance in DGA, Email, and URL Data Analysis [2.2901908285413413]
本稿では,コストに敏感なディープラーニングに基づくフレームワークを提案し,フレームワークの性能評価を行う。コスト非感受性およびコスト非感受性法を用いて様々な実験を行った。すべての実験において、コストに敏感なディープラーニング手法はコストに敏感なアプローチよりも優れている。
論文参考訳（メタデータ） (2020-03-31T00:22:25Z)
Angle-Based Cost-Sensitive Multicategory Classification [34.174072286426885]
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。
論文参考訳（メタデータ） (2020-03-08T00:42:15Z)

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。