Fugu-MT 論文翻訳(概要): SOAR: Simultaneous Or of And Rules for Classification of Positive & Negative Classes

論文の概要: SOAR: Simultaneous Or of And Rules for Classification of Positive & Negative Classes

arxiv url: http://arxiv.org/abs/2008.11249v2
Date: Tue, 23 Feb 2021 00:24:04 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 03:17:12.423924
Title: SOAR: Simultaneous Or of And Rules for Classification of Positive & Negative Classes
Title（参考訳）: SOAR: 肯定クラスと否定クラスの分類を同時に行うためのルール
Authors: Elena Khusainova, Emily Dodwell, Ritwik Mitra
Abstract要約: 本稿では,実世界の雑音の多い二項分類における固有曖昧性を明確に把握し,定量化する新奇かつ完全な分類法を提案する。提案手法は,確率モデルのよりきめ細かい定式化につながり,シミュレート・アニーリングに基づく最適化により,同等の手法と競合する分類性能が得られることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Algorithmic decision making has proliferated and now impacts our daily lives in both mundane and consequential ways. Machine learning practitioners make use of a myriad of algorithms for predictive models in applications as diverse as movie recommendations, medical diagnoses, and parole recommendations without delving into the reasons driving specific predictive decisions. Machine learning algorithms in such applications are often chosen for their superior performance, however popular choices such as random forest and deep neural networks fail to provide an interpretable understanding of the predictive model. In recent years, rule-based algorithms have been used to address this issue. Wang et al. (2017) presented an or-of-and (disjunctive normal form) based classification technique that allows for classification rule mining of a single class in a binary classification; this method is also shown to perform comparably to other modern algorithms. In this work, we extend this idea to provide classification rules for both classes simultaneously. That is, we provide a distinct set of rules for both positive and negative classes. In describing this approach, we also present a novel and complete taxonomy of classifications that clearly capture and quantify the inherent ambiguity in noisy binary classifications in the real world. We show that this approach leads to a more granular formulation of the likelihood model and a simulated-annealing based optimization achieves classification performance competitive with comparable techniques. We apply our method to synthetic as well as real world data sets to compare with other related methods that demonstrate the utility of our proposal.
Abstract（参考訳）: アルゴリズムによる意思決定が増加し、日常の生活に日常的かつ連続的に影響を与えています。機械学習の実践者は、映画レコメンデーション、診断、仮釈放レコメンデーションのような多様な応用における予測モデルのための無数のアルゴリズムを使って、特定の予測決定を導く理由を解明する。このようなアプリケーションの機械学習アルゴリズムは、優れたパフォーマンスのために選択されることが多いが、ランダムフォレストやディープニューラルネットワークのような一般的な選択は、予測モデルに対する解釈可能な理解を提供しない。近年ではルールベースのアルゴリズムがこの問題に対処している。 wang et al. (2017) は、バイナリ分類において単一のクラスの分類規則マイニングを可能にするor-of-and (disjunctive normal form) ベースの分類手法を提示した。本研究では,この概念を拡張し,両クラスの分類規則を同時に提供する。すなわち、ポジティブクラスとネガティブクラスの両方に対して異なるルールセットを提供します。このアプローチを説明するにあたり, 実世界における雑音二分分類の固有曖昧性を明確に把握し, 定量化する分類の, 新規かつ完全分類法を提案する。提案手法は,確率モデルのよりきめ細かい定式化につながり,シミュレート・アニーリングに基づく最適化により,比較手法と競合する分類性能が得られることを示す。本手法を合成および実世界のデータセットに適用し,提案手法の有用性を示す他の関連手法との比較を行った。

関連論文リスト

A Voting Approach for Explainable Classification with Rule Learning [0.0]
両世界を組み合わせた投票方式を導入し,その成果を(説明不能な)最先端手法として実現することを目的とする。我々は,本手法が通常のルール学習法より明らかに優れているだけでなく,最先端の結果と同等の結果が得られることを証明した。
論文参考訳（メタデータ） (2023-11-13T13:22:21Z)
Latent class analysis by regularized spectral clustering [0.0]
分類データの潜在クラスモデルを推定する2つの新しいアルゴリズムを提案する。本アルゴリズムは, 応答行列から計算した正規化ラプラシアン行列を用いて開発した。さらに,我々のアルゴリズムを実世界のカテゴリデータに適用し,有望な結果を得る。
論文参考訳（メタデータ） (2023-10-28T15:09:08Z)
Neural-based classification rule learning for sequential data [0.0]
本稿では,ルールに基づく二項分類のための局所パターンとグローバルパターンの両方を識別する,新しい可微分完全解釈法を提案する。解釈可能なニューラルネットワークを備えた畳み込みバイナリニューラルネットワークと、動的に強化された間隔に基づくトレーニング戦略で構成されている。合成データセットおよびオープンソースペプチドデータセットに対するアプローチの有効性と有用性を示す。
論文参考訳（メタデータ） (2023-02-22T11:05:05Z)
SphereFace2: Binary Classification is All You Need for Deep Face Recognition [57.07058009281208]
最先端のディープフェイス認識手法は、ソフトマックスベースのマルチクラス分類フレームワークで主に訓練されている。本稿では,SphereFace2と呼ばれる新しいバイナリ分類学習フレームワークを提案する。 SphereFace2は、最先端のディープ・フェイス認識手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2021-08-03T13:58:45Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
Unbiased Subdata Selection for Fair Classification: A Unified Framework and Scalable Algorithms [0.8376091455761261]
このフレームワーク内の多くの分類モデルが混合整数凸プログラムとして再キャストできることを示した。そして,提案問題において,分類結果の「解決不能な部分データ選択」が強く解決可能であることを示す。これにより、分類インスタンスを解決するための反復精錬戦略(IRS)の開発を動機付けます。
論文参考訳（メタデータ） (2020-12-22T21:09:38Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
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)
Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
論文参考訳（メタデータ） (2020-04-01T09:55:18Z)
Generation of Consistent Sets of Multi-Label Classification Rules with a Multi-Objective Evolutionary Algorithm [11.25469393912791]
本稿では,複数のルールに基づく多ラベル分類モデルを生成する多目的進化アルゴリズムを提案する。我々のアルゴリズムは規則の集合(順序のない集合)に基づいてモデルを生成し、解釈可能性を高める。また、ルール作成中にコンフリクト回避アルゴリズムを用いることで、与えられたモデル内のすべてのルールは、同じモデル内の他のすべてのルールと整合することが保証される。
論文参考訳（メタデータ） (2020-03-27T16:43:10Z)

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。