論文の概要: Learning with partially separable data

• arxiv url: http://arxiv.org/abs/2103.06869v1
• Date: Thu, 11 Mar 2021 18:56:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 14:40:57.512625
• Title: Learning with partially separable data
• Title（参考訳）: 部分分離データによる学習
• Authors: Aida Khozaei, Hadi Moradi and Reshad Hosseini
• Abstract要約: 分類不可能な部分分離可能なデータ型を分類するためのフレームワークを提案する。 分離可能なデータのサブグループを検出するために,このフレームワークに基づくアルゴリズムを提案する。 提案手法は,自閉症スクリーニングのための実データセット上でテストを行い,自閉症児と正常児を区別することでその能力を示した。
• 参考スコア（独自算出の注目度）: 6.789370732159177
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: There are partially separable data types that make classification tasks very hard. In other words, only parts of the data are informative meaning that looking at the rest of the data would not give any distinguishable hint for classification. In this situation, the typical assumption of having the whole labeled data as an informative unit set for classification does not work. Consequently, typical classification methods with the mentioned assumption fail in such a situation. In this study, we propose a framework for the classification of partially separable data types that are not classifiable using typical methods. An algorithm based on the framework is proposed that tries to detect separable subgroups of the data using an iterative clustering approach. Then the detected subgroups are used in the classification process. The proposed approach was tested on a real dataset for autism screening and showed its capability by distinguishing children with autism from normal ones, while the other methods failed to do so.
• Abstract（参考訳）: 分類タスクを非常に難しくする部分的な分離可能なデータタイプがあります。 言い換えれば、データの一部だけが情報的な意味であり、残りのデータを見ることは、分類のための区別可能なヒントを与えない。 この状況では、分類のための情報単位セットとしてラベル付きデータ全体を持つという典型的な仮定は機能しない。 したがって、上記の仮定による典型的な分類法はそのような状況では失敗する。 本研究では,典型的手法では分類できない部分分離型データ型を分類するためのフレームワークを提案する。 このフレームワークに基づくアルゴリズムは、反復クラスタリングアプローチを用いてデータの分離可能な部分群を検出しようとするものである。 そして、検出されたサブグループを分類プロセスで使用する。 提案手法は,自閉症スクリーニングのための実際のデータセット上でテストされ,自閉症児と正常児を区別する能力を示した。

関連論文リスト

• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• A new approach for evaluating internal cluster validation indices [0.0]
  クラスタ検証は、最高の性能のアルゴリズムを選択するために必要である。 追加情報(外部情報)を使わずに、この目的のためにいくつかの指標が提案された。 評価手法は, 地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・地中・
  論文  参考訳（メタデータ） (2023-08-02T06:55:33Z)
• 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)
• Leveraging Structure for Improved Classification of Grouped Biased Data [8.121462458089143]
  データポイントが自然にグループ化されるアプリケーションに対する半教師付きバイナリ分類を検討する。 我々は、この構造を明示的に活用し、最適、グループ対応、確率出力の分類器を学習する半教師付きアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-12-07T15:18:21Z)
• 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)
• Inv-SENnet: Invariant Self Expression Network for clustering under biased data [17.25929452126843]
  本研究では,各サブ空間におけるデータポイントのクラスタ化を学習しながら,不要な属性(バイアス)を共同で除去する新しいフレームワークを提案する。 合成および実世界のデータセットに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-11-13T01:19:06Z)
• XCon: Learning with Experts for Fine-grained Category Discovery [4.787507865427207]
  本稿では,XCon(Expert-Contrastive Learning)と呼ばれる新しい手法を提案する。 細粒度データセットを用いた実験では,従来の最適手法よりも明らかに改善された性能を示し,本手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-08-03T08:03:12Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Evaluating Nonlinear Decision Trees for Binary Classification Tasks with Other Existing Methods [8.870380386952993]
  データセットを2つ以上の異なるクラスに分類することは、機械学習の重要なタスクである。 多くのメソッドは、テストデータに対して非常に高い精度でバイナリ分類タスクを分類することができるが、容易に解釈可能な説明を提供することはできない。 我々は、最近提案された非線形決定木アプローチを、多くのデータセットでよく使われている分類手法で強調し、評価する。
  論文  参考訳（メタデータ） (2020-08-25T00:00:23Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

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。