論文の概要: Cautious Active Clustering
- arxiv url: http://arxiv.org/abs/2008.01245v2
- Date: Tue, 8 Dec 2020 03:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 06:15:29.772420
- Title: Cautious Active Clustering
- Title（参考訳）: 慎重なアクティブクラスタリング
- Authors: Alexander Cloninger, Hrushikesh Mhaskar
- Abstract要約: ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。
我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
- 参考スコア（独自算出の注目度）: 79.23797234241471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of classification of points sampled from an unknown
probability measure on a Euclidean space. We study the question of querying the
class label at a very small number of judiciously chosen points so as to be
able to attach the appropriate class label to every point in the set. Our
approach is to consider the unknown probability measure as a convex combination
of the conditional probabilities for each class. Our technique involves the use
of a highly localized kernel constructed from Hermite polynomials, in order to
create a hierarchical estimate of the supports of the constituent probability
measures. We do not need to make any assumptions on the nature of any of the
probability measures nor know in advance the number of classes involved. We
give theoretical guarantees measured by the $F$-score for our classification
scheme. Examples include classification in hyper-spectral images and MNIST
classification.
- Abstract（参考訳）: ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。
そこで本研究では,クラスラベルをごく少数の特異点に問合せすることで,適切なクラスラベルをセットの各点にアタッチできるかどうかを考察する。
我々のアプローチは、未知の確率測度を各クラスに対する条件確率の凸結合として考えることである。
本手法では,ヘルマイト多項式から構築した高局所化カーネルを用いて,構成確率測度の支持部の階層的推定を行う。
任意の確率測度の性質について仮定する必要はなく、関連するクラスの数を事前に知る必要もない。
私たちは分類スキームに$f$-scoreで測定した理論的保証を与える。
例えば、ハイパースペクトル画像の分類やMNIST分類などがある。
関連論文リスト
- Can Class-Priors Help Single-Positive Multi-Label Learning? [40.312419865957224]
シングル陽性マルチラベル学習(SPMLL)は、典型的には弱教師付きマルチラベル学習問題である。
クラスプライア推定器を導入し、理論上はクラスプライアに収束することが保証されているクラスプライアを推定することができる。
推定されたクラスプライヤに基づいて、分類のための非バイアスリスク推定器が導出され、対応するリスク最小化器が、完全に教師されたデータ上で、最適リスク最小化器にほぼ収束することを保証できる。
論文 参考訳（メタデータ） (2023-09-25T05:45:57Z) - 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) - Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。
クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
論文 参考訳（メタデータ） (2023-06-15T17:59:02Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳（メタデータ） (2022-11-21T18:47:11Z) - When in Doubt: Improving Classification Performance with Alternating
Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。
CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。
多様な分類課題にまたがってその効果を実証的に示す。
論文 参考訳（メタデータ） (2021-09-28T02:55:42Z) - Classifier uncertainty: evidence, potential impact, and probabilistic
treatment [0.0]
本稿では,混乱行列の確率モデルに基づいて,分類性能指標の不確かさを定量化する手法を提案する。
我々は、不確実性は驚くほど大きく、性能評価を制限できることを示した。
論文 参考訳（メタデータ） (2020-06-19T12:49:19Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
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。