Fugu-MT 論文翻訳(概要): F*: An Interpretable Transformation of the F-measure

論文の概要: F*: An Interpretable Transformation of the F-measure

arxiv url: http://arxiv.org/abs/2008.00103v3
Date: Thu, 18 Mar 2021 02:03:47 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 05:37:53.552920
Title: F*: An Interpretable Transformation of the F-measure
Title（参考訳）: f*: f-測度の解釈可能な変換
Authors: David J. Hand, Peter Christen, Nishadi Kirielle
Abstract要約: F-measureはF1スコアとしても知られ、分類アルゴリズムの性能を評価するために広く使われている。ここでは、F*(F-star)と呼ばれるF測度の簡単な変換について述べる。
参考スコア（独自算出の注目度）: 2.7642870935482295
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The F-measure, also known as the F1-score, is widely used to assess the performance of classification algorithms. However, some researchers find it lacking in intuitive interpretation, questioning the appropriateness of combining two aspects of performance as conceptually distinct as precision and recall, and also questioning whether the harmonic mean is the best way to combine them. To ease this concern, we describe a simple transformation of the F-measure, which we call F* (F-star), which has an immediate practical interpretation.
Abstract（参考訳）: F-measureはF1スコアとしても知られ、分類アルゴリズムの性能を評価するために広く使われている。しかし、ある研究者は直感的な解釈に欠けており、パフォーマンスの2つの側面を組み合わせることが、概念的に精度とリコールと区別されるかどうかを疑問視し、調和平均がそれらを組み合わせる最良の方法であるかどうかを疑問視している。この懸念を緩和するために、我々はF*(F-star)と呼ばれるF測度の簡単な変換を記述し、即時的な解釈を持つ。

関連論文リスト

Computing Approximated Fixpoints via Dampened Mann Iteration [0.31457219084519]
正確には知られていないが、それらに収束する近似関数列で表される関数の最小固定点を近似する方法を示す。この結果は,確率的誤差境界で関心関数を近似できるシステムに対して,最小の固定点にほぼ確実に反復することができる。
論文参考訳（メタデータ） (2025-01-15T16:52:21Z)
Learning Fair Classifiers via Min-Max F-divergence Regularization [13.81078324883519]
公平な分類モデルを学ぶための新しい min-max F-divergence regularization フレームワークを提案する。 F分割測度は凸性と微分可能性特性を有することを示す。提案手法は, 精度と公平性のトレードオフに関して, 最先端の性能を実現するものであることを示す。
論文参考訳（メタデータ） (2023-06-28T20:42:04Z)
Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文参考訳（メタデータ） (2023-04-21T15:22:33Z)
Backpropagation and F-adjoint [0.0]
本稿では,ニューラルネットワーク(ANN)のモデル重み学習トレーニングにおいて,フィードフォワードとバックワードの両方のプロセスについて検討する枠組みを提案する。バックプロパゲーションのための2段階ルールの概念から着想を得て、バックプロパゲーションアルゴリズムのより良い記述を目的としたF-アジョイントの概念を定義する。
論文参考訳（メタデータ） (2023-03-29T06:21:53Z)
Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach [66.9033666087719]
本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
論文参考訳（メタデータ） (2023-02-08T17:58:11Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)
Comparing Explanation Methods for Traditional Machine Learning Models Part 2: Quantifying Model Explainability Faithfulness and Improvements with Dimensionality Reduction [0.0]
忠実さ」または「忠実さ」とは、割り当てられた特徴の重要性と、その特徴のモデル性能への貢献の対応を指す。本研究は,関係する特徴を限定することによる説明可能性の向上と,異なる説明可能性手法の相対的忠実性を知ることから,初めて説明可能性の向上を定量化した1つである。
論文参考訳（メタデータ） (2022-11-18T17:15:59Z)
Algorithmic Fairness Verification with Graphical Models [24.8005399877574]
本稿では,ベイズネットワークのような特徴間の相関を符号化する,FVGMと呼ばれる効率の良いフェアネス検証手法を提案する。 FVGMは、より多様なフェアネス向上アルゴリズムのファミリーに対して、正確でスケーラブルな評価をもたらすことを示す。
論文参考訳（メタデータ） (2021-09-20T12:05:14Z)
BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
論文参考訳（メタデータ） (2021-03-10T14:59:23Z)
Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
論文参考訳（メタデータ） (2020-08-08T03:02:27Z)
3D Correspondence Grouping with Compatibility Features [51.869670613445685]
本稿では,3次元対応グルーピングのための簡易かつ効果的な手法を提案する。目的は、局所幾何学的記述子を不整合と外接点にマッチングすることによって得られる初期対応を正確に分類することである。本稿では,不整合と不整合を表わすために,互換性特徴(CF)と呼ばれる3次元対応の表現を提案する。
論文参考訳（メタデータ） (2020-07-21T02:39:48Z)

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。