Fugu-MT 論文翻訳(概要): Testing for concept shift online

論文の概要: Testing for concept shift online

arxiv url: http://arxiv.org/abs/2012.14246v1
Date: Mon, 28 Dec 2020 14:33:03 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 11:10:36.950822
Title: Testing for concept shift online
Title（参考訳）: コンセプトシフトのオンラインテスト
Authors: Vladimir Vovk
Abstract要約: このノートは、交換性マリンタレ、すなわち、観測のための交換性分布の下でマーチンタレとなる過程の研究を継続する。このようなプロセスは、機械学習で一般的に行われるIDD仮定の違反を検出するために使用することができる。
参考スコア（独自算出の注目度）: 0.26651200086513094
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This note continues study of exchangeability martingales, i.e., processes that are martingales under any exchangeable distribution for the observations. Such processes can be used for detecting violations of the IID assumption, which is commonly made in machine learning. Violations of the IID assumption are sometimes referred to as dataset shift, and dataset shift is sometimes subdivided into concept shift, covariate shift, etc. Our primary interest is in concept shift, but we will also discuss exchangeability martingales that decompose perfectly into two components one of which detects concept shift and the other detects what we call label shift. Our methods will be based on techniques of conformal prediction.
Abstract（参考訳）: このノートは、交換性マリンタレ、すなわち、観測のための交換性分布の下でマーチンタレとなる過程の研究を継続する。このようなプロセスは、機械学習で一般的に行われるiid仮定の違反を検出するために使用することができる。 iid仮定の違反はデータセットシフトと呼ばれることもあり、データセットシフトは概念シフトや共変シフトなどに分割されることもある。我々の主な関心は概念シフトであるが、概念シフトを検出する2つのコンポーネントに完全に分解する交換可能性マーチンガレットと、ラベルシフトと呼ばれるものを検出する2つのコンポーネントについても議論する。我々の手法は共形予測の手法に基づいている。

関連論文リスト

Automatic dataset shift identification to support root cause analysis of AI performance drift [13.996602963045387]
データ配信のシフトは、臨床AIモデルの性能を著しく損なう可能性がある。本稿では,最初の教師なしデータセットシフト識別フレームワークを提案する。提案フレームワークの5種類の実世界のデータセットシフトに関する有望な結果を報告する。
論文参考訳（メタデータ） (2024-11-12T17:09:20Z)
Generalization vs. Specialization under Concept Shift [12.196508752999797]
機械学習モデルは、分散シフトの下では不安定であることが多い。二重降下が欠如している場合でも,テスト性能が非単調なデータ依存を示すことを示す。 MNISTとFashionMNISTの実験は、この興味深い挙動が分類問題にも存在することを示唆している。
論文参考訳（メタデータ） (2024-09-23T22:30:28Z)
Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文参考訳（メタデータ） (2024-03-12T09:32:41Z)
Binary Quantification and Dataset Shift: An Experimental Investigation [54.14283123210872]
量子化は教師付き学習タスクであり、未学習データの集合のクラス有病率の予測器を訓練する。定量化と他のタイプのデータセットシフトの関係は、いまだ大きく、未調査のままである。本稿では,これらのシフトに影響を受けるデータセットの生成プロトコルを確立することにより,データセットシフトの種類を詳細に分類する手法を提案する。
論文参考訳（メタデータ） (2023-10-06T20:11:27Z)
Self-Supervised Learning for Group Equivariant Neural Networks [75.62232699377877]
群同変ニューラルネットワーク(英: Group equivariant Neural Network)は、入力の変換で通勤する構造に制限されたモデルである。自己教師型タスクには、同変プリテキストラベルと異変コントラスト損失という2つの概念を提案する。標準画像認識ベンチマークの実験では、同変ニューラルネットワークが提案された自己教師型タスクを利用することを示した。
論文参考訳（メタデータ） (2023-03-08T08:11:26Z)
Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文参考訳（メタデータ） (2022-12-21T18:30:22Z)
High Dimensional Binary Classification under Label Shift: Phase Transition and Regularization [41.88686596220179]
ある種の過度にパラメータ化された状態下では、不均衡なデータを用いて訓練された分類器は、バランスの取れたデータを減らすことで、それよりも優れる。ラベルシフトに対する正規化の影響について検討する。
論文参考訳（メタデータ） (2022-12-01T18:06:35Z)
TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
論文参考訳（メタデータ） (2022-02-17T05:52:18Z)
Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文参考訳（メタデータ） (2022-01-26T03:34:57Z)
Failing Conceptually: Concept-Based Explanations of Dataset Shift [6.55705721360334]
本稿では,新しい説明可能なシフト検出法であるConcept Bottleneck Shift Detection (CBSD)を提案する。 cbsdは、高いレベルの人間理解可能な概念がシフトによって影響を受ける程度を識別し、ランク付けすることで説明を提供する。我々は,CBSDがシフトの影響を受けやすい概念を正確に検出し,最先端のシフト検出手法と比較して高い精度で検出できることを示す。
論文参考訳（メタデータ） (2021-04-18T20:17:29Z)
Robust Classification under Class-Dependent Domain Shift [29.54336432319199]
本稿では,クラス依存ドメインシフト(class-dependent domain shift)と呼ぶ,特別なタイプのデータセットシフトについて検討する。入力データはラベルに依存し、データのシフトは既知の変数によって完全に説明され、シフトを制御する変数はラベルに依存することができ、ラベル分布にシフトはない。
論文参考訳（メタデータ） (2020-07-10T12:26:57Z)

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。