論文の概要: On the intrinsic robustness to noise of some leading classifiers and
symmetric loss function -- an empirical evaluation
- arxiv url: http://arxiv.org/abs/2010.13570v5
- Date: Mon, 21 Jun 2021 17:34:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 07:36:44.662913
- Title: On the intrinsic robustness to noise of some leading classifiers and
symmetric loss function -- an empirical evaluation
- Title（参考訳）: いくつかの先行型分類器の雑音に対する固有ロバスト性と対称損失関数について--経験的評価
- Authors: Hugo Le Baher (1), Vincent Lemaire (2), Romain Trinquart (2) ((1)
Polytech Nantes (France), (2) Orange Labs (France))
- Abstract要約: 不正検出などの産業応用では、一般的な監視技術の性能は、利用可能なラベルの質の悪さに影響される可能性がある。
人工的なデータセット上で,様々なパラダイムから抽出したアルゴリズムの自然な堅牢性を評価するためのベンチマークを提案する。
- 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: In some industrial applications such as fraud detection, the performance of
common supervision techniques may be affected by the poor quality of the
available labels : in actual operational use-cases, these labels may be weak in
quantity, quality or trustworthiness. We propose a benchmark to evaluate the
natural robustness of different algorithms taken from various paradigms on
artificially corrupted datasets, with a focus on noisy labels. This paper
studies the intrinsic robustness of some leading classifiers. The algorithms
under scrutiny include SVM, logistic regression, random forests, XGBoost,
Khiops. Furthermore, building on results from recent literature, the study is
supplemented with an investigation into the opportunity to enhance some
algorithms with symmetric loss functions.
- Abstract（参考訳）: 不正検出のようないくつかの産業応用において、共通の監督技術の性能は、利用可能なラベルの品質の低さに影響される可能性がある:実際の運用ユースケースでは、これらのラベルは、量、品質、信頼性が弱い可能性がある。
本稿では,人工的に破損したデータセットの様々なパラダイムから得られた異なるアルゴリズムの自然ロバスト性を評価するベンチマークを提案し,ノイズラベルに着目した。
本稿では,いくつかの主分類器の固有ロバスト性について検討する。
精査中のアルゴリズムには、SVM、ロジスティック回帰、ランダムフォレスト、XGBoost、Khiopsなどがある。
さらに,近年の文献から得られた結果をもとに,対称損失関数を用いたアルゴリズムの拡張の可能性について検討した。
関連論文リスト
- Multiclass Learning from Noisy Labels for Non-decomposable Performance Measures [15.358504449550013]
非分解性性能尺度の2つのクラスに対して雑音ラベルから学習するアルゴリズムを設計する。
どちらの場合も、広範に研究されているクラス条件雑音モデルの下で、アルゴリズムのノイズ補正バージョンを開発する。
実験では,ラベルノイズ処理におけるアルゴリズムの有効性を実証した。
論文 参考訳（メタデータ） (2024-02-01T23:03:53Z) - Multi-Label Noise Transition Matrix Estimation with Label Correlations:
Theory and Algorithm [73.94839250910977]
ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。
遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。
そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
論文 参考訳（メタデータ） (2023-09-22T08:35:38Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - Beyond Images: Label Noise Transition Matrix Estimation for Tasks with
Lower-Quality Features [13.659465403114766]
そこで我々は,低品質特徴の低情報部分の重み付けに対する実践的な情報理論的アプローチを提案する。
我々は,有望な$f$ミューチュアル情報尺度が,ノイズラベルを用いて計算した場合の順序をよく保持できることを証明した。
論文 参考訳（メタデータ） (2022-02-02T20:36:09Z) - Robustness and reliability when training with noisy labels [12.688634089849023]
教師付き学習のためのデータの遅延は、コストと時間を要する可能性がある。
ディープニューラルネットワークは、ランダムラベルの適合、正規化、ロバストな損失関数の使用を証明している。
論文 参考訳（メタデータ） (2021-10-07T10:30:20Z) - A Decidability-Based Loss Function [2.5919311269669003]
生体認証問題は、ディープラーニングモデルを使用して画像から特徴を抽出する。
本研究では,検証ルーチンの埋め込み品質を向上させるために,決定可能性指数に基づく損失関数を提案する。
提案手法は,4つのベンチマークにおいて,ソフトマックス(クロスエントロピー),トリプレットソフトハード,マルチ類似性損失に対して比較される。
論文 参考訳（メタデータ） (2021-09-12T14:26:27Z) - Learning Noise Transition Matrix from Only Noisy Labels via Total
Variation Regularization [88.91872713134342]
本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。
提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
論文 参考訳（メタデータ） (2021-02-04T05:09:18Z) - Tackling Instance-Dependent Label Noise via a Universal Probabilistic
Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。
合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文 参考訳（メタデータ） (2021-01-14T05:43:51Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z) - 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) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳（メタデータ） (2020-06-09T09:58:19Z)
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。