論文の概要: Predicting Classification Accuracy When Adding New Unobserved Classes
- arxiv url: http://arxiv.org/abs/2010.15011v3
- Date: Tue, 9 Mar 2021 14:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 04:27:35.419034
- Title: Predicting Classification Accuracy When Adding New Unobserved Classes
- Title(参考訳): 新しい未観測クラスを追加する際の分類精度の予測
- Authors: Yuli Slavutsky, Yuval Benjamini
- Abstract要約: そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。
ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
- 参考スコア(独自算出の注目度): 8.325327265120283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiclass classifiers are often designed and evaluated only on a sample from
the classes on which they will eventually be applied. Hence, their final
accuracy remains unknown. In this work we study how a classifier's performance
over the initial class sample can be used to extrapolate its expected accuracy
on a larger, unobserved set of classes. For this, we define a measure of
separation between correct and incorrect classes that is independent of the
number of classes: the "reversed ROC" (rROC), which is obtained by replacing
the roles of classes and data-points in the common ROC. We show that the
classification accuracy is a function of the rROC in multiclass classifiers,
for which the learned representation of data from the initial class sample
remains unchanged when new classes are added. Using these results we formulate
a robust neural-network-based algorithm, "CleaneX", which learns to estimate
the accuracy of such classifiers on arbitrarily large sets of classes. Unlike
previous methods, our method uses both the observed accuracies of the
classifier and densities of classification scores, and therefore achieves
remarkably better predictions than current state-of-the-art methods on both
simulations and real datasets of object detection, face recognition, and brain
decoding.
- Abstract(参考訳): マルチクラス分類器はしばしば設計され、最終的に適用されるクラスからのサンプルでのみ評価される。
そのため、最終的な正確性は不明である。
本研究は,初期クラスサンプルに対する分類器の性能を用いて,より大きく,観察できないクラス集合の精度を推定する方法について検討する。
そこで本研究では,クラス数に依存しない正しいクラスと間違ったクラスを分離する尺度として,共通ROCにおけるクラスとデータポイントの役割を置き換えることで得られる「逆ROC(reversed ROC)」を定義した。
分類精度はマルチクラス分類器における rROC の関数であり、新しいクラスを追加すると、初期クラス標本から得られたデータの表現が変化しないことを示す。
これらの結果を用いて,ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
従来の手法とは異なり,本手法は分類器の精度と分類スコアの密度の両方を用いており,物体検出,顔認識,脳復号の実際のデータセットとシミュレーションの最先端手法よりも極めて優れた予測を行う。
関連論文リスト
- Generalization Bounds for Few-Shot Transfer Learning with Pretrained
Classifiers [26.844410679685424]
本研究では,新しいクラスに移動可能な分類の表現を基礎モデルで学習する能力について検討する。
クラス-機能-変数の崩壊の場合,新しいクラスで学習した特徴マップのわずかな誤差が小さいことを示す。
論文 参考訳(メタデータ) (2022-12-23T18:46:05Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳(メタデータ) (2022-12-23T00:50:41Z) - 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) - Learning Acceptance Regions for Many Classes with Anomaly Detection [19.269724165953274]
既存の集合値分類法の多くは、トレーニングデータに現れない新しいクラスがテストデータに現れる可能性を考慮していない。
テストデータに新しいクラスが存在する可能性を考慮しつつ,受入領域を推定する汎用予測セット(GPS)手法を提案する。
従来の手法とは異なり,提案手法は精度,効率,異常検出率のバランスが良好である。
論文 参考訳(メタデータ) (2022-09-20T19:40:33Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳(メタデータ) (2022-06-16T11:44:11Z) - Determination of class-specific variables in nonparametric
multiple-class classification [0.0]
確率に基づく非パラメトリックな多重クラス分類法を提案し、それを個々のクラスに対して高い影響変数を識別する能力と統合する。
提案手法の特性を報告し, 合成データと実データの両方を用いて, 異なる分類条件下での特性を説明する。
論文 参考訳(メタデータ) (2022-05-07T10:08:58Z) - Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。
提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
論文 参考訳(メタデータ) (2021-12-14T08:25:24Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳(メタデータ) (2021-10-22T01:55:01Z) - 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)
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。