論文の概要: A new interval-based aggregation approach based on bagging and Interval
Agreement Approach (IAA) in ensemble learning
- arxiv url: http://arxiv.org/abs/2101.10267v1
- Date: Tue, 15 Dec 2020 09:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 09:25:17.123046
- Title: A new interval-based aggregation approach based on bagging and Interval
Agreement Approach (IAA) in ensemble learning
- Title（参考訳）: アンサンブル学習におけるバッキング・アンド・インターバルアグリーメントアプローチ(iaa)に基づく新しい間隔ベースアグリゲーションアプローチ
- Authors: Mansoureh Maadia, Uwe Aickelin, Hadi Akbarzadeh Khorshidi
- Abstract要約: 本稿では, アンサンブル学習において, ガベージ・リサンプリング・アプローチとIAA(Interval Agreement Approach)を用いた, 間隔に基づく新たなアグリゲーション・モデルを提案する。
本稿では,アンサンブル学習における新しいアグリゲーションアプローチの実装に加えて,アンサンブル学習におけるインターバルモデリングの利用を促す実験をいくつか考案した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The main aim in ensemble learning is using multiple individual classifiers
outputs rather than one classifier output to aggregate them for more accurate
classification. Generating an ensemble classifier generally is composed of
three steps: selecting the base classifier, applying a sampling strategy to
generate different individual classifiers and aggregation the classifiers
outputs. This paper focuses on the classifiers outputs aggregation step and
presents a new interval-based aggregation modeling using bagging resampling
approach and Interval Agreement Approach (IAA) in ensemble learning. IAA is an
interesting and practical aggregation approach in decision making which was
introduced to combine decision makers opinions when they present their opinions
by intervals. In this paper, in addition to implementing a new aggregation
approach in ensemble learning, we designed some experiments to encourage
researchers to use interval modeling in ensemble learning because it preserves
more uncertainty and this leads to more accurate classification. For this
purpose, we compared the results of implementing the proposed method to the
majority vote as the most common and successful aggregation function in the
literature on 10 medical data sets to show the better performance of the
interval modeling and the proposed interval-based aggregation function in
binary classification when it comes to ensemble learning. The results confirm
the good performance of our proposed approach.
- Abstract（参考訳）: アンサンブル学習の主な目的は、1つの分類器出力ではなく複数の個別分類器出力を使用してより正確な分類を行うことである。
アンサンブル分類器の生成は、基本分類器の選択、異なる個別分類器の生成のためのサンプリング戦略の適用、および出力の集約の3段階からなる。
本稿では, アンサンブル学習において, ガベージ・リサンプリング・アプローチとIAA(Interval Agreement Approach)を用いた, 間隔に基づく新たなアグリゲーション・モデルを提案する。
iaaは意思決定における興味深い実践的な集約アプローチであり、意思決定者が意見を一定間隔で提示する際の意見を結合するために導入された。
本稿では,アンサンブル学習における新たなアグリゲーションアプローチの実施に加えて,より不確実性を維持し,より正確な分類を実現するために,アンサンブル学習におけるインターバルモデリングの利用を促す実験を行った。
そこで本研究では,本手法を10項目の医学データセットにおいて最も一般的かつ成功した集計関数として多数票を得た結果と比較し,アンサンブル学習に関して,区間モデリングと区間ベース集計関数の性能向上を示す。
その結果,提案手法の有効性が確認された。
関連論文リスト
- A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Generating Hierarchical Structures for Improved Time Series
Classification Using Stochastic Splitting Functions [0.0]
本研究では,階層分類(HC)による多クラスデータセットの分類性能を高めるために,分割関数(SSF)を用いた新しい階層分割クラスタリング手法を提案する。
この方法は、明示的な情報を必要とせずに階層を生成するユニークな能力を持ち、階層の事前の知識を欠いたデータセットに適している。
論文 参考訳（メタデータ） (2023-09-21T10:34:50Z) - 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) - An Evolutionary Approach for Creating of Diverse Classifier Ensembles [11.540822622379176]
CIF-Eと呼ばれる4段階のプロトコルに基づく分類器の選択と融合のためのフレームワークを提案する。
我々は,提案したCIF-Eプロトコルに従って,24種類のアンサンブルアプローチを実装し,評価した。
実験により、提案された進化的アプローチは、多くのよく知られたUCIデータセットにおいて最先端の文献的アプローチより優れていることが示された。
論文 参考訳（メタデータ） (2022-08-23T14:23:27Z) - Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。
本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。
損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
論文 参考訳（メタデータ） (2022-05-22T16:37:53Z) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳（メタデータ） (2022-03-29T08:01:03Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳（メタデータ） (2021-06-11T13:03:33Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Ensemble of Binary Classifiers Combined Using Recurrent Correlation
Associative Memories [1.3706331473063877]
多数決は、アンサンブル法で分類器を結合する手法の例である。
本稿では,二項分類問題に対する繰り返し相関連想記憶に基づくアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2020-09-18T01:16:53Z) - Covariance-engaged Classification of Sets via Linear Programming [16.11804985840274]
集合分類は、個々の観察を別々に分類するのではなく、一連の観察を全体として分類することを目的としている。
ベイズリスクのバウンディングにおいて,集合内の観測回数が重要な役割を担っていることを示す。
本枠組みでは,集合分類の新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-26T07:20:15Z)
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。