論文の概要: Inductive Inference in Supervised Classification
- arxiv url: http://arxiv.org/abs/2103.10549v1
- Date: Thu, 18 Mar 2021 22:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:39:17.842518
- Title: Inductive Inference in Supervised Classification
- Title（参考訳）: 教師付き分類における帰納推論
- Authors: Ali Amiryousefi
- Abstract要約: この論文は教師付き分類文脈における帰納的推論に焦点を当てている。
de Finetti型交換性とパーティション交換性という2種類の交換性について議論されている。
また,同時分類器の帰納的学習プロセスは,テストデータの量が無限大となると飽和することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Inductive inference in supervised classification context constitutes to
methods and approaches to assign some objects or items into different
predefined classes using a formal rule that is derived from training data and
possibly some additional auxiliary information. The optimality of such an
assignment varies under different conditions due to intrinsic attributes of the
objects being considered for such a task. One of these cases is when all the
objects' features are discrete variables with a priori known categories. As
another example, one can consider a modification of this case with a priori
unknown categories. These two cases are the main focus of this thesis and based
on Bayesian inductive theories, de Finetti type exchangeability is a suitable
assumption that facilitates the derivation of classifiers in the former
scenario. On the contrary, this type of exchangeability is not applicable in
the latter case, instead, it is possible to utilise the partition
exchangeability due to John Kingman. These two types of exchangeabilities are
discussed and furthermore here I investigate inductive supervised classifiers
based on both types of exchangeabilities. I further demonstrate that the
classifiers based on de Finetti type exchangeability can optimally handle test
items independently of each other in the presence of infinite amounts of
training data while on the other hand, classifiers based on partition
exchangeability still continue to benefit from joint labelling of all the test
items. Additionally, it is shown that the inductive learning process for the
simultaneous classifier saturates when the amount of test data tends to
infinity.
- Abstract（参考訳）: 教師付き分類コンテキストにおける帰納的推論は、トレーニングデータから派生した形式的な規則と、場合によっては追加の補助情報を用いて、いくつかのオブジェクトや項目を異なる事前定義されたクラスに割り当てる方法やアプローチを構成する。
このような割り当ての最適性は、そのようなタスクで考慮されるオブジェクトの固有の属性のため、異なる条件下で変化する。
これらのケースの1つは、すべてのオブジェクトの機能が、既知のカテゴリを持つ離散変数である場合である。
別の例として、このケースを事前の未知のカテゴリで修正することを考えることができる。
これら2つのケースがこの論文の主焦点であり、ベイズ的帰納的理論に基づいて、デ・フィネッティ型の交換性は、以前のシナリオにおける分類器の導出を促進する適切な仮定である。
逆に、この種の交換性は後者のケースでは適用できないが、代わりにジョン・キングマンによる分割交換性を利用することができる。
これら2種類の交換確率について考察し,さらに,両種類の交換確率に基づく帰納的教師付き分類器について検討する。
さらに, デ・フィネッティ型交換性に基づく分類器は, 無限の訓練データが存在する場合に, 互いに独立してテスト項目を処理可能である一方で, 分割交換性に基づく分類器は, 全ての試験項目の共同ラベル付けの恩恵を受け続けている。
また,同時分類器の帰納的学習プロセスは,テストデータの量が無限大となると飽和することを示した。
関連論文リスト
- Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。
また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2023-09-10T10:57:41Z) - 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) - Determination of class-specific variables in nonparametric
multiple-class classification [0.0]
確率に基づく非パラメトリックな多重クラス分類法を提案し、それを個々のクラスに対して高い影響変数を識別する能力と統合する。
提案手法の特性を報告し, 合成データと実データの両方を用いて, 異なる分類条件下での特性を説明する。
論文 参考訳（メタデータ） (2022-05-07T10:08:58Z) - On the rate of convergence of a classifier based on a Transformer
encoder [55.41148606254641]
最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。
この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
論文 参考訳（メタデータ） (2021-11-29T14:58:29Z) - When in Doubt: Improving Classification Performance with Alternating
Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。
CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。
多様な分類課題にまたがってその効果を実証的に示す。
論文 参考訳（メタデータ） (2021-09-28T02:55:42Z) - How Nonconformity Functions and Difficulty of Datasets Impact the
Efficiency of Conformal Classifiers [0.1611401281366893]
整合分類では、システムは1つではなく複数のクラスラベルを出力できる。
ニューラルネットワークに基づく共形分類器の場合、逆確率は予測ラベルの平均数を最小化することができる。
この2つの非整合関数の性質を結合する手法を提案する。
論文 参考訳（メタデータ） (2021-08-12T11:50:12Z) - Asymptotic Supervised Predictive Classifiers under Partition
Exchangeability [0.0]
結果は、無限のトレーニングまたはテストデータの下でこれらの分類器の収束を示しています。
これは実用上重要な結果であり、十分な量のデータが存在する場合には、より単純な辺縁分類器を計算的に高価な同時処理に置き換えることができる。
論文 参考訳（メタデータ） (2021-01-26T17:17:40Z) - Performance-Agnostic Fusion of Probabilistic Classifier Outputs [2.4206828137867107]
本稿では,1つのコンセンサスクラス予測を行うために,分類器の確率的出力を組み合わせる手法を提案する。
提案手法は,精度が性能指標である状況において有効である。
キャリブレーションされた確率を出力しないので、そのような確率がさらなる処理に必要となる状況には適さない。
論文 参考訳（メタデータ） (2020-09-01T16:53:29Z) - Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。
類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-11T05:35:16Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
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。