論文の概要: The Hitchhiker's Guide to Prior-Shift Adaptation

• arxiv url: http://arxiv.org/abs/2106.11695v1
• Date: Tue, 22 Jun 2021 11:55:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 15:08:37.843502
• Title: The Hitchhiker's Guide to Prior-Shift Adaptation
• Title（参考訳）: 事前シフト適応のためのヒッチハイカーガイド
• Authors: Tomas Sipka, Milan Sulc, Jiri Matas
• Abstract要約: 本稿では,混乱行列に基づく事前推定手法の既知の問題に対処する新しい手法を提案する。 きめ細かい画像分類データセットの実験は、事前シフト推定のベストプラクティスに関する洞察を与える。 自然にバランスの取れない2つのタスクにベストプラクティスを適用すると、Webcrawledイメージと植物種分類から学習することで、それぞれ1.1%と3.4%の認識精度が向上した。
• 参考スコア（独自算出の注目度）: 41.4341627937948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many computer vision classification tasks, class priors at test time often differ from priors on the training set. In the case of such prior shift, classifiers must be adapted correspondingly to maintain close to optimal performance. This paper analyzes methods for adaptation of probabilistic classifiers to new priors and for estimating new priors on an unlabeled test set. We propose a novel method to address a known issue of prior estimation methods based on confusion matrices, where inconsistent estimates of decision probabilities and confusion matrices lead to negative values in the estimated priors. Experiments on fine-grained image classification datasets provide insight into the best practice of prior shift estimation and classifier adaptation and show that the proposed method achieves state-of-the-art results in prior adaptation. Applying the best practice to two tasks with naturally imbalanced priors, learning from web-crawled images and plant species classification, increased the recognition accuracy by 1.1% and 3.4% respectively.
• Abstract（参考訳）: 多くのコンピュータビジョン分類タスクでは、テスト時のクラス事前はトレーニングセットの前のものとしばしば異なる。 このような事前シフトの場合、分類器は最適な性能を維持するために対応するように適応しなければならない。 本稿では,確率的分類器を新しい事前に適応させる手法と,ラベルのないテストセット上での新しい事前推定方法について分析する。 本稿では,混乱行列に基づく事前推定手法の既知の問題に対処する新しい手法を提案する。 細粒度画像分類データセットに関する実験は,先行シフト推定と分類器適応のベストプラクティスに関する洞察を与え,提案手法が先行適応において最先端の結果を得ることを示す。 自然にバランスの取れない2つのタスクにベストプラクティスを適用し、Webcrawledイメージと植物種分類から学習することで、それぞれ1.1%と3.4%の認識精度が向上した。

関連論文リスト

• Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
  より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。 本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T13:04:55Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
  新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。 このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• Learning Acceptance Regions for Many Classes with Anomaly Detection [19.269724165953274]
  既存の集合値分類法の多くは、トレーニングデータに現れない新しいクラスがテストデータに現れる可能性を考慮していない。 テストデータに新しいクラスが存在する可能性を考慮しつつ,受入領域を推定する汎用予測セット(GPS)手法を提案する。 従来の手法とは異なり,提案手法は精度,効率,異常検出率のバランスが良好である。
  論文  参考訳（メタデータ） (2022-09-20T19:40:33Z)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Metalearning Linear Bandits by Prior Update [7.519872646378836]
  完全なベイズ的アプローチは、問題のパラメータは既知の事前から生成されると仮定するが、実際にはそのような情報は欠落することが多い。 この問題は、ある部分的な情報を持つ意思決定設定において悪化し、不特定事前の使用は、探索の質が悪く、性能が劣る可能性がある。 この研究において、線形帯域幅とガウス事前の文脈において、事前推定が真の事前に十分近い限り、不特定事前を用いたアルゴリズムの性能は真の先行を用いたアルゴリズムのそれに近いことを証明した。
  論文  参考訳（メタデータ） (2021-07-12T11:17:01Z)
• Adaptive calibration for binary classification [0.20072624123275526]
  これは機械学習の応用において重要であり、トレーニングされた予測器の品質はその利用の過程で著しく低下する可能性がある。 我々の技術は、最近のコンフォーマルテストマーチンガレットの研究と、専門家のアドバイスによる予測、すなわち最高の専門家の追跡に基づいています。
  論文  参考訳（メタデータ） (2021-07-04T20:32:52Z)
• Integrated Optimization of Predictive and Prescriptive Tasks [0.0]
  予測タスクを記述タスクとして直接統合する新しいフレームワークを提案する。 予測アルゴリズムのパラメータを2レベル最適化技術により、処方問題内でトレーニングします。
  論文  参考訳（メタデータ） (2021-01-02T02:43:10Z)
• 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)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。