Fugu-MT 論文翻訳(概要): How Nonconformity Functions and Difficulty of Datasets Impact the Efficiency of Conformal Classifiers

論文の概要: How Nonconformity Functions and Difficulty of Datasets Impact the Efficiency of Conformal Classifiers

arxiv url: http://arxiv.org/abs/2108.05677v1
Date: Thu, 12 Aug 2021 11:50:12 GMT
ステータス: 処理完了
システム内更新日: 2021-08-13 21:19:33.891463
Title: How Nonconformity Functions and Difficulty of Datasets Impact the Efficiency of Conformal Classifiers
Title（参考訳）: 非整合関数とデータセットの難易度が等式分類器の効率に与える影響
Authors: Marharyta Aleksandrova, Oleg Chertov
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.1611401281366893
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The property of conformal predictors to guarantee the required accuracy rate makes this framework attractive in various practical applications. However, this property is achieved at a price of reduction in precision. In the case of conformal classification, the systems can output multiple class labels instead of one. It is also known from the literature, that the choice of nonconformity function has a major impact on the efficiency of conformal classifiers. Recently, it was shown that different model-agnostic nonconformity functions result in conformal classifiers with different characteristics. For a Neural Network-based conformal classifier, the inverse probability (or hinge loss) allows minimizing the average number of predicted labels, and margin results in a larger fraction of singleton predictions. In this work, we aim to further extend this study. We perform an experimental evaluation using 8 different classification algorithms and discuss when the previously observed relationship holds or not. Additionally, we propose a successful method to combine the properties of these two nonconformity functions. The experimental evaluation is done using 11 real and 5 synthetic datasets.
Abstract（参考訳）: 所要の精度を保証するための共形予測器の特性は、この枠組みを様々な応用に魅了する。しかし、この特性は精度の低下の価格で達成される。共形分類の場合、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。文献からも、非共形関数の選択は共形分類器の効率に大きな影響を与えることが知られている。近年、異なるモデルに依存しない非整合関数が、異なる特徴を持つ共形分類器をもたらすことが示されている。ニューラルネットワークベースの共形分類器では、逆確率(あるいはヒンジ損失)は平均予測ラベル数を最小化することができ、マージンはシングルトン予測の比率を増加させる。本研究は,本研究をさらに拡張することを目的としている。 8種類の分類アルゴリズムを用いて実験評価を行い,その関係が成立するか否かについて検討した。さらに,これら2つの非共形関数の特性を結合する手法を提案する。実験は11個の実データと5個の合成データセットを用いて行った。

関連論文リスト

When resampling/reweighting improves feature learning in imbalanced classification?: A toy-model study [5.5730368125641405]
クラス不均衡の存在下での特徴学習性能に対するクラスワイドリサンプリング/リウェイト効果を明らかにすることを目的とした二分分類のおもちゃモデルについて検討した。その結果,再サンプリング/再重み付けの状況が,損失や分類器の選択に関係なく,最高の特徴学習性能を与えるケースが存在することがわかった。
論文参考訳（メタデータ） (2024-09-09T13:31:00Z)
Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文参考訳（メタデータ） (2023-05-17T17:47:19Z)
Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-06T14:49:59Z)
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)
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)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
論文参考訳（メタデータ） (2021-06-08T20:20:36Z)
Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。特に,この手法が標準正規化の魅力的な代替となることを示す。
論文参考訳（メタデータ） (2021-04-12T18:50:11Z)
Linear Classifier Combination via Multiple Potential Functions [0.6091702876917279]
決定境界からクラスセントロイドまでの距離との距離に基づいてスコアリング関数を計算する新しい概念を提案する。重要な性質は、提案されたスコア関数がすべての線形基底分類器に対して同じ性質を持つことである。
論文参考訳（メタデータ） (2020-10-02T08:11:51Z)
To Split or Not to Split: The Impact of Disparate Treatment in Classification [8.325775867295814]
異なる処理は、機械学習モデルが機密属性に基づいて個人に対して異なる決定を下すときに発生する。本稿では,分類器の分割による性能改善の定量化のための分割処理の利点を紹介する。我々は,小規模凸プログラムを解くことで効率よく計算できる分割利益の等価表現を証明した。
論文参考訳（メタデータ） (2020-02-12T04:05:31Z)
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。