Fugu-MT 論文翻訳(概要): diproperm: An R Package for the DiProPerm Test

論文の概要: diproperm: An R Package for the DiProPerm Test

arxiv url: http://arxiv.org/abs/2009.00003v1
Date: Sun, 30 Aug 2020 20:14:26 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 12:20:52.774356
Title: diproperm: An R Package for the DiProPerm Test
Title（参考訳）: diproperm: DiProPermテスト用のRパッケージ
Authors: Andrew G. Allmon, J.S. Marron, and Michael G. Hudgens
Abstract要約: 二元線形分類器により誘導される2つの高次元分布の差をテストするために,方向射影置換(DiProPerm)試験を開発した。本稿では,DiProPermテストの鍵となるコンポーネントについて論じ,diproperm Rパッケージを導入し,実世界のデータセット上でそのパッケージを実演する。
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: High-dimensional low sample size (HDLSS) data sets emerge frequently in many biomedical applications. A common task for analyzing HDLSS data is to assign data to the correct class using a classifier. Classifiers which use two labels and a linear combination of features are known as binary linear classifiers. The direction-projection-permutation (DiProPerm) test was developed for testing the difference of two high-dimensional distributions induced by a binary linear classifier. This paper discusses the key components of the DiProPerm test, introduces the diproperm R package, and demonstrates the package on a real-world data set.
Abstract（参考訳）: 高次元低サンプルサイズ(HDLSS)データセットは多くの医学的応用で頻繁に現れる。 hdlssデータを分析する一般的なタスクは、分類器を使用してデータを正しいクラスに割り当てることである。 2つのラベルと特徴の線形結合を使用する分類器は、バイナリ線形分類器(binary linear classifiers)と呼ばれる。二元線形分類器により誘導される2つの高次元分布の差をテストするために,方向投影置換(DiProPerm)試験を開発した。本稿では,DiProPermテストの主要なコンポーネントについて論じ,diproperm Rパッケージを導入し,実世界のデータセット上でそのパッケージを実証する。

関連論文リスト

AEMLO: AutoEncoder-Guided Multi-Label Oversampling [6.255095509216069]
AEMLOは、不均衡なマルチラベルデータに対するAutoEncoder-guided Oversampling技術である。 AEMLOは、既存の最先端手法よりも優れた性能を示し、広範な実証研究を行った。
論文参考訳（メタデータ） (2024-08-23T14:01:33Z)
Three Heads Are Better Than One: Complementary Experts for Long-Tailed Semi-supervised Learning [74.44500692632778]
本稿では,様々なクラス分布をモデル化するComPlementary Experts (CPE) を提案する。 CPEは、CIFAR-10-LT、CIFAR-100-LT、STL-10-LTのベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-12-25T11:54:07Z)
AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。この問題に対処するためにテスト時適応(TTA)手法が提案されている。本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
論文参考訳（メタデータ） (2023-04-25T04:23:13Z)
Project and Probe: Sample-Efficient Domain Adaptation by Interpolating Orthogonal Features [119.22672589020394]
多様な特徴の集合を学習し,これらの特徴を補間することによって対象分布に適応する,軽量でサンプル効率のよい手法を提案する。複数の分散シフト設定を持つ4つのデータセットに対する実験により、Pro$2$は、限られたターゲットデータが与えられた場合、パフォーマンスを5～15%向上することが示された。
論文参考訳（メタデータ） (2023-02-10T18:58:03Z)
E-Valuating Classifier Two-Sample Tests [11.248868528186332]
我々のテストは、既存の作業量分割確率比テストと予測独立性テストのアイデアを組み合わせたものです。得られたE値は、逐次2サンプルテストに適している。
論文参考訳（メタデータ） (2022-10-24T08:18:36Z)
Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
本論文はアライメント正則化の選択肢の増大を動機としている。我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
論文参考訳（メタデータ） (2022-06-04T04:29:19Z)
Probability-driven scoring functions in combining linear classifiers [0.913755431537592]
本研究の目的は,線形分類器のアンサンブルに特化した新しい融合法を構築することである。提案手法は,KEELレポジトリから抽出した複数のベンチマークデータセットを用いて参照手法と比較する。実験により、ある条件下では、いくつかの改善が得られ得ることが示された。
論文参考訳（メタデータ） (2021-09-16T08:58:32Z)
Generalized Multivariate Signs for Nonparametric Hypothesis Testing in High Dimensions [4.24243593213882]
一般化符号を用いたテストは、名目上のI型エラー率を維持しつつ、既存のテストよりも高い出力を示すことを示す。 MNIST と Minnesota Twin Studies のゲノムデータの例を示す。
論文参考訳（メタデータ） (2021-07-02T14:31:44Z)
Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文参考訳（メタデータ） (2021-04-01T13:55:21Z)
The classification for High-dimension low-sample size data [3.411873646414169]
本稿では,クラス分離可能性の前提として,クラス内分散の類似性を強調する,HDLSSの新たな分類基準を提案する。この基準により、非分離データ分散最大値 (NPDMD) で表される新しい線形二分分類器が設計される。 NPDMDは最先端の分類法と比較していくつかの特徴がある。
論文参考訳（メタデータ） (2020-06-21T07:04:16Z)
Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
論文参考訳（メタデータ） (2020-02-21T03:54:23Z)

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。