論文の概要: MRCpy: A Library for Minimax Risk Classifiers
- arxiv url: http://arxiv.org/abs/2108.01952v1
- Date: Wed, 4 Aug 2021 10:31:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-05 13:25:05.175369
- Title: MRCpy: A Library for Minimax Risk Classifiers
- Title(参考訳): mrcpy:minimaxリスク分類のためのライブラリ
- Authors: Kartheek Bondugula, Santiago Mazuelas and Aritz P\'erez
- Abstract要約: MRCpyライブラリは,ロバストなリスク最小化に基づいて,0-1-lossを利用できるMRCを実装している。
MRCpyは、MRCの異なる変種に対する統一インターフェースを提供し、人気のあるPythonライブラリの標準に従っている。
- 参考スコア(独自算出の注目度): 4.125187280299247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing libraries for supervised classification implement techniques that
are based on empirical risk minimization and utilize surrogate losses. We
present MRCpy library that implements minimax risk classifiers (MRCs) that are
based on robust risk minimization and can utilize 0-1-loss. Such techniques
give rise to a manifold of classification methods that can provide tight bounds
on the expected loss. MRCpy provides a unified interface for different variants
of MRCs and follows the standards of popular Python libraries. The presented
library also provides implementation for popular techniques that can be seen as
MRCs such as L1-regularized logistic regression, zero-one adversarial, and
maximum entropy machines. In addition, MRCpy implements recent feature mappings
such as Fourier, ReLU, and threshold features. The library is designed with an
object-oriented approach that facilitates collaborators and users.
- Abstract(参考訳): 教師付き分類のための既存のライブラリは、経験的リスク最小化に基づいて、代理損失を利用する手法を実装している。
MRCpyライブラリは,ロバストリスク最小化に基づいて,0-1-lossを利用できるMRCを実装している。
このような手法は、期待される損失に厳密な境界を与えることのできる分類方法の多様体を生み出す。
MRCpyは、MRCの異なる変種に対する統一インターフェースを提供し、人気のあるPythonライブラリの標準に従っている。
上述のライブラリはまた、L1正規化ロジスティック回帰、ゼロワン逆数、最大エントロピーマシンなどのMRCとして見られるような一般的なテクニックの実装も提供する。
さらに、MRCpyはFourier、ReLU、しきい値といった最近の機能マッピングを実装している。
このライブラリは、共同作業者やユーザを支援するオブジェクト指向アプローチで設計されている。
関連論文リスト
- Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。
テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。
LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。
提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文 参考訳(メタデータ) (2024-02-27T14:21:56Z) - Fast Semi-supervised Unmixing using Non-convex Optimization [85.95119207126292]
半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。
スパース・アンミキシングの代替手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-01-23T10:07:41Z) - LibAUC: A Deep Learning Library for X-Risk Optimization [43.32145407575245]
本稿では,LibAUC という賞を受賞したディープラーニングライブラリについて紹介する。
LibAUCは、Xリスクと呼ばれるリスク関数のファミリーを最適化するための最先端のアルゴリズムを実装している。
論文 参考訳(メタデータ) (2023-06-05T17:43:46Z) - A Model-Based Method for Minimizing CVaR and Beyond [7.751691910877239]
CVaR(Conditional Value-at-Risk)目標の最小化のために, Prox-linear 法の変種を開発した。
CVaRは最悪のケースのパフォーマンスを最小化することに焦点を当てたリスク尺度であり、損失の最上位量の平均として定義される。
機械学習では、そのようなリスク尺度はより堅牢なモデルをトレーニングするのに有用である。
論文 参考訳(メタデータ) (2023-05-27T15:38:53Z) - Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。
既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。
経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
論文 参考訳(メタデータ) (2022-03-24T03:49:04Z) - Minimax risk classifiers with 0-1 loss [7.650319416775203]
本稿では,不確実な分布集合に対する最悪の0-1損失を最小限に抑えるミニマックスリスク分類器(MRC)を提案する。
MRCは学習時に厳密な性能保証を提供し,特徴カーネルが与える特徴写像を用いて,一意に一貫した特徴を持つことを示す。
また, MRC学習における効率的な最適化手法を提案し, 提案手法は, 厳密な性能保証とともに, 正確な分類を行うことができることを示した。
論文 参考訳(メタデータ) (2022-01-17T16:00:07Z) - Solving weakly supervised regression problem using low-rank manifold
regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。
weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。
数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文 参考訳(メタデータ) (2021-04-13T23:21:01Z) - mlOSP: Towards a Unified Implementation of Regression Monte Carlo
Algorithms [0.0]
最適停止問題に対する機械学習のための計算テンプレートであるmlOSPを紹介する。
テンプレートはR統計環境で実装され、GitHubリポジトリ経由で公開されている。
論文 参考訳(メタデータ) (2020-12-01T18:41:02Z) - Learning, compression, and leakage: Minimising classification error via
meta-universal compression principles [87.054014983402]
学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。
ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。
本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
論文 参考訳(メタデータ) (2020-10-14T20:03:58Z) - Picasso: A Sparse Learning Library for High Dimensional Data Analysis in
R and Python [77.33905890197269]
本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。
ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
論文 参考訳(メタデータ) (2020-06-27T02:39:24Z)
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。