論文の概要: Active Hybrid Classification
- arxiv url: http://arxiv.org/abs/2101.08854v1
- Date: Thu, 21 Jan 2021 21:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:51:54.320222
- Title: Active Hybrid Classification
- Title(参考訳): アクティブハイブリッド分類
- Authors: Evgeny Krivosheev, Fabio Casati, Alessandro Bozzon
- Abstract要約: 本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。
本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 79.02441914023811
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hybrid crowd-machine classifiers can achieve superior performance by
combining the cost-effectiveness of automatic classification with the accuracy
of human judgment. This paper shows how crowd and machines can support each
other in tackling classification problems. Specifically, we propose an
architecture that orchestrates active learning and crowd classification and
combines them in a virtuous cycle. We show that when the pool of items to
classify is finite we face learning vs. exploitation trade-off in hybrid
classification, as we need to balance crowd tasks optimized for creating a
training dataset with tasks optimized for classifying items in the pool. We
define the problem, propose a set of heuristics and evaluate the approach on
three real-world datasets with different characteristics in terms of machine
and crowd classification performance, showing that our active hybrid approach
significantly outperforms baselines.
- Abstract(参考訳): ハイブリッドクラウドマシン分類器は、自動分類のコスト効率と人間の判断精度を組み合わせることで、優れた性能を達成できる。
本稿では,群集と機械が分類問題に取り組む際の相互サポートについて述べる。
具体的には,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
分類すべき項目のプールが有限である場合、学習対ハイブリッド分類における搾取トレードオフに直面し、プール内の項目の分類に最適化されたタスクとトレーニングデータセットを作成するために最適化された群集タスクのバランスをとる必要があることを示す。
この問題を定義し,提案するヒューリスティックスと,マシンとクラウドの分類性能の異なる3つの実世界のデータセットに対するアプローチを評価し,我々のアクティブハイブリッドアプローチがベースラインを大幅に上回ることを示す。
関連論文リスト
- Class-Aware Contrastive Optimization for Imbalanced Text Classification [19.537124894139833]
クラス認識のコントラスト最適化とデノベーションオートエンコーダを組み合わせることで、不均衡なテキスト分類タスクにうまく取り組むことができることを示す。
提案手法は,多種多様なテキストデータセットにおける顕著な性能向上を示す。
論文 参考訳(メタデータ) (2024-10-29T16:34:08Z) - Class-attribute Priors: Adapting Optimization to Heterogeneity and
Fairness Objective [54.33066660817495]
現代の分類問題は、個々のクラスにまたがって不均一性を示す。
本稿では,クラス固有の学習戦略を効果的かつ汎用的に生成するCAPを提案する。
CAPは先行技術と競合しており、その柔軟性により、バランスの取れた精度以上の公平性目標に対する明確なメリットが期待できる。
論文 参考訳(メタデータ) (2024-01-25T17:43:39Z) - Adversarial AutoMixup [50.1874436169571]
本稿では,AdAutomixupを提案する。
画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。
本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
論文 参考訳(メタデータ) (2023-12-19T08:55:00Z) - 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) - Fair and Optimal Classification via Post-Processing [10.163721748735801]
本稿では、分類問題における人口統計学の特質的トレードオフの完全な評価について述べる。
ランダム化および属性認識フェア分類器によって達成可能な最小誤差率は、ワッサーシュタイン・バリセンタ問題の最適値によって与えられることを示す。
論文 参考訳(メタデータ) (2022-11-03T00:04:04Z) - Association Graph Learning for Multi-Task Classification with Category
Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。
我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。
我々の手法は代表的基準よりも一貫して性能が良い。
論文 参考訳(メタデータ) (2022-10-10T12:37:41Z) - Noise-Resilient Ensemble Learning using Evidence Accumulation Clustering [1.7188280334580195]
アンサンブル学習法は、同じタスクを実行する複数のアルゴリズムを組み合わせて、優れた品質のグループを構築する。
これらのシステムは、ネットワークの各ピアまたはマシンが1つのアルゴリズムをホストし、その結果をそのピアに伝達する分散セットアップによく適合する。
しかし、ネットワークは破損し、アンサンブルの品質に有害な影響を及ぼすピアの予測精度が変化する。
雑音耐性アンサンブル分類法を提案し,精度の向上と乱数誤差の補正を支援する。
論文 参考訳(メタデータ) (2021-10-18T11:52:45Z) - CAC: A Clustering Based Framework for Classification [20.372627144885158]
分類アウェアクラスタリング(CAC)と呼ばれるシンプルで効率的で汎用的なフレームワークを設計する。
本実験は,クラスタリングと分類を併用した従来の手法よりもCACの有効性を示すものである。
論文 参考訳(メタデータ) (2021-02-23T18:59:39Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳(メタデータ) (2020-10-23T11:18:20Z)
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。