論文の概要: Adaptive calibration for binary classification
- arxiv url: http://arxiv.org/abs/2107.01726v1
- Date: Sun, 4 Jul 2021 20:32:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 14:53:25.543324
- Title: Adaptive calibration for binary classification
- Title(参考訳): 二元分類のための適応キャリブレーション
- Authors: Vladimir Vovk, Ivan Petej, and Alex Gammerman
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.20072624123275526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This note proposes a way of making probability forecasting rules less
sensitive to changes in data distribution, concentrating on the simple case of
binary classification. This is important in applications of machine learning,
where the quality of a trained predictor may drop significantly in the process
of its exploitation. Our techniques are based on recent work on conformal test
martingales and older work on prediction with expert advice, namely tracking
the best expert.
- Abstract(参考訳): 本稿では,2進分類の単純な場合に集中して,確率予測規則をデータ分布の変化に敏感にする方法を提案する。
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。
関連論文リスト
- Towards Calibrated Deep Clustering Network [66.32979175252478]
推定された信頼度と実際の精度を効果的に調整できる新しいデュアルヘッドディープクラスタリングパイプラインを提案する。
提案するキャリブレーション・ディープ・クラスタリング・フレームワークは,キャリブレーションの予測誤差から,最先端のディープ・クラスタリング手法を約10倍超えた。
論文 参考訳(メタデータ) (2024-03-04T11:23:40Z) - Conformal Prediction with Partially Labeled Data [3.895044919159418]
本稿では,定値トレーニングおよび校正データに適用可能な共形予測手法の一般化を提案する。
提案手法の有効性を実証し,本手法が自然ベースラインと好適に比較した実験的検討を行った。
論文 参考訳(メタデータ) (2023-06-01T23:10:15Z) - On the Trade-off of Intra-/Inter-class Diversity for Supervised
Pre-training [72.8087629914444]
教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。
トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
論文 参考訳(メタデータ) (2023-05-20T16:23:50Z) - Adaptive Dimension Reduction and Variational Inference for Transductive
Few-Shot Classification [2.922007656878633]
適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。
提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
論文 参考訳(メタデータ) (2022-09-18T10:29:02Z) - Classifier Calibration: How to assess and improve predicted class
probabilities: a survey [10.587567878098444]
適切に校正された分類器は、そのインスタンスワイド予測に関連する不確実性や信頼性のレベルを正しく定量化する。
これは、重要なアプリケーション、最適な意思決定、コストに敏感な分類、そしてある種の状況変化に不可欠である。
論文 参考訳(メタデータ) (2021-12-20T03:50:55Z) - Improved Fine-tuning by Leveraging Pre-training Data: Theory and
Practice [52.11183787786718]
対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。
近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。
本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
論文 参考訳(メタデータ) (2021-11-24T06:18:32Z) - The Hitchhiker's Guide to Prior-Shift Adaptation [41.4341627937948]
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。
論文 参考訳(メタデータ) (2021-06-22T11:55:51Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Retrain or not retrain: Conformal test martingales for change-point
detection [0.34635278365524663]
我々は,データの分布が変化するタイミングを検出するためのスキームを設定し,予測アルゴリズムを訓練する過程を補うことを主張する。
私たちの提案するスキームは、交換可能なマーチンゲール、すなわちデータの交換可能な分配の下でマーチンゲールであるプロセスに基づいています。
論文 参考訳(メタデータ) (2021-02-20T20:39:05Z) - Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。
提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
論文 参考訳(メタデータ) (2021-01-07T18:59:33Z) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳(メタデータ) (2020-06-09T09:58:19Z)
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。