論文の概要: Specified Certainty Classification, with Application to Read Classification for Reference-Guided Metagenomic Assembly

• arxiv url: http://arxiv.org/abs/2109.06677v1
• Date: Mon, 13 Sep 2021 17:55:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 07:29:21.594629
• Title: Specified Certainty Classification, with Application to Read Classification for Reference-Guided Metagenomic Assembly
• Title（参考訳）: 特定確実性分類と参照誘導メタゲノミクスアセンブリの読み出し分類への応用
• Authors: Alan F. Karr and Jason Hauzel and Prahlad Menon and Adam A. Porter and Marcel Schaefer
• Abstract要約: 特定確実性分類では、すべての決定が特定のレベルの確実性を達成することができる。 主な図は、参照誘導ゲノム組換えのための読み出し分類であるが、COVID-19ワクチン接種データも分析して、SCCの広さを実証する。
• 参考スコア（独自算出の注目度）: 0.20999222360659603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Specified Certainty Classification (SCC) is a new paradigm for employing classifiers whose outputs carry uncertainties, typically in the form of Bayesian posterior probabilities. By allowing the classifier output to be less precise than one of a set of atomic decisions, SCC allows all decisions to achieve a specified level of certainty, as well as provides insights into classifier behavior by examining all decisions that are possible. Our primary illustration is read classification for reference-guided genome assembly, but we demonstrate the breadth of SCC by also analyzing COVID-19 vaccination data.
• Abstract（参考訳）: 特定特定度分類(scc)は、アウトプットが不確実性を持つ分類器を採用するための新しいパラダイムであり、典型的にはベイズ後方確率の形式である。 分類器の出力が原子的な決定の1つよりも正確でないことを許すことで、SCCは全ての決定が特定の確証レベルを達成することを可能にし、また、可能なすべての決定を検査することで分類器の動作に関する洞察を提供する。 主な図は、参照誘導ゲノム組換えのための読み出し分類であるが、COVID-19ワクチン接種データも分析して、SCCの広さを実証する。

関連論文リスト

• Conjunction Subspaces Test for Conformal and Selective Classification [1.8059823719166437]
  異なるランダム部分空間上で有意なテスト結果を統合して、コンセンサス p-値を得る新しい分類器を提案する。 提案した分類器は、共形予測や、リジェクションと精巧なオプションによる選択的な分類のために容易に展開できる。
  論文  参考訳（メタデータ） (2024-10-16T06:56:53Z)
• Selective Classification Under Distribution Shifts [2.6541808384534478]
  選別分類において、分類器は過度なエラーを避けるために誤りとなる可能性のある予測を棄却する。 本稿では,分散シフトを考慮したSCフレームワークを提案する。 提案したスコア関数は、一般化されたSCのための既存のスコア関数よりも効果的で信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2024-05-08T15:52:50Z)
• A Universal Unbiased Method for Classification from Aggregate Observations [115.20235020903992]
  本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。 提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
  論文  参考訳（メタデータ） (2023-06-20T07:22:01Z)
• Learning disentangled representations for explainable chest X-ray classification using Dirichlet VAEs [68.73427163074015]
  本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。 DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
  論文  参考訳（メタデータ） (2023-02-06T18:10:08Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Covariance-engaged Classification of Sets via Linear Programming [16.11804985840274]
  集合分類は、個々の観察を別々に分類するのではなく、一連の観察を全体として分類することを目的としている。 ベイズリスクのバウンディングにおいて,集合内の観測回数が重要な役割を担っていることを示す。 本枠組みでは,集合分類の新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T07:20:15Z)
• 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。