論文の概要: Informative Bayesian model selection for RR Lyrae star classifiers
- arxiv url: http://arxiv.org/abs/2105.11531v1
- Date: Mon, 24 May 2021 20:55:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 13:59:25.276623
- Title: Informative Bayesian model selection for RR Lyrae star classifiers
- Title（参考訳）: rrライラ星分類器のための情報ベイズモデル選択
- Authors: F. P\'erez-Galarce, K. Pichara, P. Huijse, M. Catelan, D. Mery
- Abstract要約: 我々は,変光星分類器を評価するための情報的限界確率に基づく手法を開発した。
我々は、RRリレーの分類を訓練したベイズロジスティック回帰の集合を用いて実験を行う。
我々の手法は、天文学的知識を用いて機械学習モデルを評価するための、より厳密な代替手段を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has achieved an important role in the automatic
classification of variable stars, and several classifiers have been proposed
over the last decade. These classifiers have achieved impressive performance in
several astronomical catalogues. However, some scientific articles have also
shown that the training data therein contain multiple sources of bias. Hence,
the performance of those classifiers on objects not belonging to the training
data is uncertain, potentially resulting in the selection of incorrect models.
Besides, it gives rise to the deployment of misleading classifiers. An example
of the latter is the creation of open-source labelled catalogues with biased
predictions. In this paper, we develop a method based on an informative
marginal likelihood to evaluate variable star classifiers. We collect
deterministic rules that are based on physical descriptors of RR Lyrae stars,
and then, to mitigate the biases, we introduce those rules into the marginal
likelihood estimation. We perform experiments with a set of Bayesian Logistic
Regressions, which are trained to classify RR Lyraes, and we found that our
method outperforms traditional non-informative cross-validation strategies,
even when penalized models are assessed. Our methodology provides a more
rigorous alternative to assess machine learning models using astronomical
knowledge. From this approach, applications to other classes of variable stars
and algorithmic improvements can be developed.
- Abstract（参考訳）: 機械学習は変光星の自動分類において重要な役割を担い、過去10年間にいくつかの分類器が提案されてきた。
これらの分類器はいくつかの天文学カタログで印象的な性能を発揮している。
しかし、いくつかの科学論文では、トレーニングデータには複数のバイアス源が含まれていることも示されている。
したがって、トレーニングデータに属さないオブジェクトに対するこれらの分類器の性能は不確かであり、おそらく間違ったモデルを選択することになる。
さらに、これは誤解を招く分類器の配置を引き起こす。
後者の例は、バイアス付き予測を伴うオープンソースのラベル付きカタログの作成である。
本稿では,変光星分類器を評価するための情報的限界確率に基づく手法を開発する。
我々は、RRリレー星の物理記述子に基づく決定論的ルールを収集し、バイアスを軽減するために、これらのルールを限界推定に導入する。
我々は,rr lyraes分類を訓練したベイズロジスティック回帰を用いて実験を行い,ペナルティモデルの評価においても従来の非インフォーマティブなクロスバリデーション戦略を上回ることを発見した。
本手法は、天文学的知識を用いた機械学習モデルを評価するための、より厳格な代替手段を提供する。
このアプローチから、変光星の他のクラスへの応用やアルゴリズムの改良が開発される。
関連論文リスト
- XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。
XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。
6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文 参考訳（メタデータ） (2023-10-09T08:07:04Z) - D-CALM: A Dynamic Clustering-based Active Learning Approach for
Mitigating Bias [13.008323851750442]
本稿では,クラスタリングとアノテーションを動的に調整する適応型クラスタリングに基づく能動的学習アルゴリズムD-CALMを提案する。
感情,ヘイトスピーチ,ダイアログ行為,書籍型検出など,多種多様なテキスト分類タスクのための8つのデータセットの実験により,提案アルゴリズムがベースラインALアプローチを著しく上回ることを示した。
論文 参考訳（メタデータ） (2023-05-26T15:17:43Z) - Leveraging Angular Information Between Feature and Classifier for
Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。
予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。
CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
論文 参考訳（メタデータ） (2022-12-03T07:52:48Z) - An Exploration of How Training Set Composition Bias in Machine Learning
Affects Identifying Rare Objects [0.0]
まれなクラスの例を誇張して無視されないようにするのが一般的である。
また、ソースタイプのバランスがほぼ等しくなるような制限されたデータでトレーニングする練習も頻繁に行われます。
ここでは、これらのプラクティスが、過剰な割り当てソースからレアクラスのモデルに偏りがあることを示します。
論文 参考訳（メタデータ） (2022-07-07T10:26:55Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳（メタデータ） (2021-10-22T01:55:01Z) - Evaluating Fairness of Machine Learning Models Under Uncertain and
Incomplete Information [25.739240011015923]
属性分類器のテスト精度は下流モデルにおけるバイアス推定の有効性と常に相関しているとは限らない。
我々の分析は,属性分類器の誤りを可能な限り不均一に分配したいという状況において,意外かつ直感的な意味を持っている。
論文 参考訳（メタデータ） (2021-02-16T19:02:55Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。
ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
論文 参考訳（メタデータ） (2020-10-28T14:37:25Z) - LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。
クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。
毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
論文 参考訳（メタデータ） (2020-10-06T16:42:51Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - ALEX: Active Learning based Enhancement of a Model's Explainability [34.26945469627691]
アクティブラーニング(AL)アルゴリズムは、最小限のラベル付き例をブートストラップ方式で効率的な分類器を構築しようとする。
データ駆動学習の時代において、これは追求すべき重要な研究方向である。
本稿では,モデルの有効性に加えて,ブートストラップ段階におけるモデルの解釈可能性の向上も目指すAL選択関数の開発に向けた取り組みについて述べる。
論文 参考訳（メタデータ） (2020-09-02T07:15:39Z)
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。