論文の概要: A New Perspective on Pool-Based Active Classification and False-Discovery Control

• arxiv url: http://arxiv.org/abs/2008.06555v1
• Date: Fri, 14 Aug 2020 19:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 16:52:37.323806
• Title: A New Perspective on Pool-Based Active Classification and False-Discovery Control
• Title（参考訳）: プール型アクティブ分類と偽発見制御の新しい展望
• Authors: Lalit Jain, Kevin Jamieson
• Abstract要約: 多くの科学的環境では、偽の発見率(すなわち誤報)の低い条件下でできる限り多くの真の正を含む探索空間の領域を特定する過程を導くための適応的な実験設計が必要である。 バイナリ分類のためのアクティブラーニングと同様に、この実験設計は優先順位を最適に選ぶことはできない。 0/1エラーの分類とは異なり、高い真正率と低い偽発見率(FDR)を持つ集合を見つけるために、適応的にデータを収集することはよく理解されていない。
• 参考スコア（独自算出の注目度）: 24.975981795360845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many scientific settings there is a need for adaptive experimental design to guide the process of identifying regions of the search space that contain as many true positives as possible subject to a low rate of false discoveries (i.e. false alarms). Such regions of the search space could differ drastically from a predicted set that minimizes 0/1 error and accurate identification could require very different sampling strategies. Like active learning for binary classification, this experimental design cannot be optimally chosen a priori, but rather the data must be taken sequentially and adaptively. However, unlike classification with 0/1 error, collecting data adaptively to find a set with high true positive rate and low false discovery rate (FDR) is not as well understood. In this paper we provide the first provably sample efficient adaptive algorithm for this problem. Along the way we highlight connections between classification, combinatorial bandits, and FDR control making contributions to each.
• Abstract（参考訳）: 多くの科学的環境では、偽の発見率(すなわち誤報)の低い条件下でできる限り多くの真の正を含む探索空間の領域を特定する過程を導くための適応的な実験設計が必要である。 探索空間のそのような領域は、0/1エラーを最小限に抑える予測セットとは大きく異なり、正確な識別には全く異なるサンプリング戦略が必要になる。 バイナリ分類のためのアクティブラーニングのように、この実験的な設計は事前選択を最適に行うことはできない。 しかし、0/1エラーの分類とは異なり、正の正の値と偽の発見率(FDR)の低い集合を見つけるためにデータを適応的に収集することはよく理解されていない。 本稿では,本問題に対する最初の有効サンプル適応アルゴリズムを提案する。 その過程で私たちは,分類とコンビネートバンド,fdrコントロールの相互貢献関係を強調する。

関連論文リスト

• Classification Tree-based Active Learning: A Wrapper Approach [4.706932040794696]
  本稿では,木構造にサンプリングプロセスを整理し,分類のためのラッパー能動的学習法を提案する。 ラベル付き標本の初期集合上に構築された分類木は、空間を低エントロピー領域に分解すると考えられる。 この適応は、既存のアクティブラーニング手法よりも大幅に向上することが証明されている。
  論文  参考訳（メタデータ） (2024-04-15T17:27:00Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
  有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。 複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。 これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
  論文  参考訳（メタデータ） (2022-08-13T17:14:55Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Deep Active Learning for Biased Datasets via Fisher Kernel Self-Supervision [5.352699766206807]
  アクティブラーニング(AL)は、データ要求型ディープニューラルネットワーク(DNN)のラベル付け作業を最小化する 自己教師型フィッシャーカーネル(FK)を用いた特徴密度マッチングのための低複雑さ手法を提案する。 本手法は,MNIST,SVHN,ImageNetの分類において,処理の1/10しか必要とせず,最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-01T03:56:32Z)
• Manifold-based Test Generation for Image Classifiers [7.226144684379191]
  画像分類ニューラルネットワークをテストするには、信頼を刺激するのに十分な現実的なテストデータを取得する必要がある。 本稿では,これらの課題に対処するための新しい枠組みを提案する。 実験により、この手法により、十分に訓練されたモデルであっても、何千もの現実的かつフォールトレベリングなテストケースを効率的に生成できることが示された。
  論文  参考訳（メタデータ） (2020-02-15T07:53:34Z)

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。