Fugu-MT 論文翻訳(概要): A unifying approach on bias and variance analysis for classification

論文の概要: A unifying approach on bias and variance analysis for classification

arxiv url: http://arxiv.org/abs/2101.01765v2
Date: Tue, 12 Jan 2021 19:28:01 GMT
ステータス: 処理完了
システム内更新日: 2021-04-11 12:57:36.757624
Title: A unifying approach on bias and variance analysis for classification
Title（参考訳）: 分類におけるバイアスと分散分析の統一的アプローチ
Authors: Cemre Zor and Terry Windeatt
Abstract要約: 我々は、Tumer & Ghosh (T&G) の一般的なフレームワークと James のリンクを提供することを目指している。 2つのアプローチを統一することにより、0/1の損失に対して定義されたB&Vと、二乗誤差損失に対して与えられる境界分布の標準B&Vを関連付ける。
参考スコア（独自算出の注目度）: 6.178727203730384
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Standard bias and variance (B&V) terminologies were originally defined for the regression setting and their extensions to classification have led to several different models / definitions in the literature. In this paper, we aim to provide the link between the commonly used frameworks of Tumer & Ghosh (T&G) and James. By unifying the two approaches, we relate the B&V defined for the 0/1 loss to the standard B&V of the boundary distributions given for the squared error loss. The closed form relationships provide a deeper understanding of classification performance, and their use is demonstrated in two case studies.
Abstract（参考訳）: 標準バイアスと分散(B&V)の用語は、もともと回帰設定のために定義され、分類への拡張によって、文献においていくつかの異なるモデル/定義が導かれた。本稿では,Tumer & Ghosh (T&G) の一般的なフレームワークと James との関係について述べる。 2つのアプローチを統一することにより、0/1の損失に対して定義されたB&Vと、二乗誤差損失に対して与えられる境界分布の標準B&Vを関連付ける。クローズドフォームの関係は分類性能をより深く理解し、2つのケーススタディでその使用が実証されている。

関連論文リスト

The Implicit Bias of Gradient Descent on Separable Multiclass Data [38.05903703331163]
我々は、指数的尾特性のマルチクラス拡張を導入するために、置換同変と相対マージンベース(PERM)損失の枠組みを用いる。提案手法は二分法の場合をよく反映しており,二分法と多分法のギャップを埋めるためのPERMフレームワークの威力を示すものである。
論文参考訳（メタデータ） (2024-11-02T19:39:21Z)
Unifying the Scope of Bridging Anaphora Types in English: Bridging Annotations in ARRAU and GUM [10.942182034424714]
我々は,GUM,GENTLE,ARRAUコーパスに注釈付けされたブリッジインスタンスについて,ガイドラインと解釈可能な予測モデルを用いて比較を行った。我々は,GUM,GENTLE,ARRAU Wall Street Journalの各テストセットの調和したサブカテゴリ化バージョンを公開し,ドメイン間のブリッジ解像度の有意義で信頼性の高い評価を促進する。
論文参考訳（メタデータ） (2024-10-02T01:56:28Z)
It's an Alignment, Not a Trade-off: Revisiting Bias and Variance in Deep Models [51.66015254740692]
深層学習に基づく分類モデルのアンサンブルでは, バイアスと分散がサンプルレベルで一致していることが示される。我々はこの現象をキャリブレーションと神経崩壊という2つの理論的観点から研究する。
論文参考訳（メタデータ） (2023-10-13T17:06:34Z)
Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-08-04T09:11:07Z)
On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。不変性はデータの変換におけるモデル予測の一貫性を測定する。データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文参考訳（メタデータ） (2022-07-14T17:08:25Z)
Ensembling over Classifiers: a Bias-Variance Perspective [13.006468721874372]
Pfau (2013) による偏差分解の拡張の上に構築し, 分類器のアンサンブルの挙動に関する重要な知見を得る。条件付き推定は必然的に既約誤差を生じさせることを示す。経験的に、標準的なアンサンブルはバイアスを減少させ、この予期せぬ減少のために、分類器のアンサンブルがうまく機能するかもしれないという仮説を立てる。
論文参考訳（メタデータ） (2022-06-21T17:46:35Z)
Understanding the bias-variance tradeoff of Bregman divergences [13.006468721874372]
本稿では,任意のブレグマン発散損失関数に対するバイアス分散トレードオフを一般化したPfau (2013) の業績に基づく。ラベルと同様、中心予測は確率変数の平均と解釈でき、損失関数自身で定義される双対空間で平均が動作することを示す。
論文参考訳（メタデータ） (2022-02-08T22:06:16Z)
GroupifyVAE: from Group-based Definition to VAE-based Unsupervised Representation Disentanglement [91.9003001845855]
他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
論文参考訳（メタデータ） (2021-02-20T09:49:51Z)
Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-01-09T05:21:27Z)
Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
論文参考訳（メタデータ） (2020-11-03T13:16:05Z)

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。