論文の概要: Classification with Rejection Based on Cost-sensitive Classification

• arxiv url: http://arxiv.org/abs/2010.11748v5
• Date: Wed, 29 Sep 2021 13:29:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 05:40:30.992279
• Title: Classification with Rejection Based on Cost-sensitive Classification
• Title（参考訳）: コストセンシティブな分類に基づくリジェクションによる分類
• Authors: Nontawat Charoenphakdee, Zhenghang Cui, Yivan Zhang, Masashi Sugiyama
• Abstract要約: 学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
• 参考スコア（独自算出の注目度）: 83.50402803131412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of classification with rejection is to avoid risky misclassification in error-critical applications such as medical diagnosis and product inspection. In this paper, based on the relationship between classification with rejection and cost-sensitive classification, we propose a novel method of classification with rejection by learning an ensemble of cost-sensitive classifiers, which satisfies all the following properties: (i) it can avoid estimating class-posterior probabilities, resulting in improved classification accuracy, (ii) it allows a flexible choice of losses including non-convex ones, (iii) it does not require complicated modifications when using different losses, (iv) it is applicable to both binary and multiclass cases, and (v) it is theoretically justifiable for any classification-calibrated loss. Experimental results demonstrate the usefulness of our proposed approach in clean-labeled, noisy-labeled, and positive-unlabeled classification.
• Abstract（参考訳）: 拒絶を伴う分類の目標は、医療診断や製品検査などのエラークリティカルな応用において、リスクの高い誤分類を避けることである。 本稿では, 拒絶とコストに敏感な分類との関係から, 以下の特徴をすべて満たしたコストに敏感な分類器のアンサンブルを学習し, 拒絶を伴う新しい分類法を提案する。 (i)類後確率の推定は避けることができ、分類精度が向上する。 (ii)非凸を含む損失の柔軟な選択を可能にする。 (iii)異なる損失を使用する場合、複雑な変更は不要である。 (四)バイナリとマルチクラスの両方に適用可能で、 (v)分類適合損失については理論的に正当である。 実験により, クリーンラベル, ノイズラベル, ポジティブラベル分類における提案手法の有用性が示された。

関連論文リスト

• Conjunction Subspaces Test for Conformal and Selective Classification [1.8059823719166437]
  異なるランダム部分空間上で有意なテスト結果を統合して、コンセンサス p-値を得る新しい分類器を提案する。 提案した分類器は、共形予測や、リジェクションと精巧なオプションによる選択的な分類のために容易に展開できる。
  論文  参考訳（メタデータ） (2024-10-16T06:56:53Z)
• 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)
• 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)
• The Impact of Using Regression Models to Build Defect Classifiers [13.840006058766766]
  継続的欠陥数を欠陥クラスと非欠陥クラスに分類することは、よくあるプラクティスである。 両手法を用いて構築した欠陥分類器の性能と解釈を比較した。
  論文  参考訳（メタデータ） (2022-02-12T22:12:55Z)
• 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)
• Constrained Classification and Policy Learning [0.0]
  制約付き分類器の集合における代理損失手順の整合性について検討する。 ヒンジ損失が第2のベストシナリオにおける一貫性を維持する唯一のサロゲート損失であることを示す。
  論文  参考訳（メタデータ） (2021-06-24T10:43:00Z)
• On Focal Loss for Class-Posterior Probability Estimation: A Theoretical Perspective [83.19406301934245]
  まず、焦点損失が分類校正されたこと、すなわち、最小化器がベイズ最適分類器を確実に得ることを証明する。 すると、焦点損失が厳密には適切でないことを証明し、すなわち、分類器の信頼性スコアが真のクラス後確率と一致しない。 提案手法は,クラス後確率推定の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-18T09:36:52Z)
• Learning Gradient Boosted Multi-label Classification Rules [4.842945656927122]
  本稿では,分解不能な損失関数だけでなく,分解不能な損失関数を最小化できる多ラベル分類規則の学習アルゴリズムを提案する。 我々は,合成データに対するアプローチの能力と限界を分析し,その予測性能をマルチラベルベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-06-23T21:39:23Z)
• Angle-Based Cost-Sensitive Multicategory Classification [34.174072286426885]
  本稿では,ゼロ対ゼロの制約を伴わない多カテゴリ分類のための,新しいアングルに基づくコスト依存分類フレームワークを提案する。 このフレームワークの有用性を示すために、2つのコスト依存型マルチカテゴリブースティングアルゴリズムを具体例として導出した。
  論文  参考訳（メタデータ） (2020-03-08T00:42:15Z)
• 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。