論文の概要: Bottom-up Hierarchical Classification Using Confusion-based Logit
Compression
- arxiv url: http://arxiv.org/abs/2110.01756v1
- Date: Tue, 5 Oct 2021 00:18:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 14:20:55.614902
- Title: Bottom-up Hierarchical Classification Using Confusion-based Logit
Compression
- Title(参考訳): Confusion-based Logit Compression を用いたボトムアップ階層分類
- Authors: Tong Liang and Jim Davis and Roman Ilin
- Abstract要約: 下位分類器の過度な適合を避けるため、後方推定にはスタンドアローン検証セットが好ましい。
一般化ロジットとラベルの混同に基づく単純で頑健なロジットベクトル圧縮手法を提案する。
提案手法は, 高い階層的分類性能を維持しつつ, 信頼性の高い後続推定に十分な検証例を持たないという問題を緩和するものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this work, we propose a method to efficiently compute label posteriors of
a base flat classifier in the presence of few validation examples within a
bottom-up hierarchical inference framework. A stand-alone validation set (not
used to train the base classifier) is preferred for posterior estimation to
avoid overfitting the base classifier, however a small validation set limits
the number of features one can effectively use. We propose a simple, yet
robust, logit vector compression approach based on generalized logits and label
confusions for the task of label posterior estimation within the context of
hierarchical classification. Extensive comparative experiments with other
compression techniques are provided across multiple sized validation sets, and
a comparison with related hierarchical classification approaches is also
conducted. The proposed approach mitigates the problem of not having enough
validation examples for reliable posterior estimation while maintaining strong
hierarchical classification performance.
- Abstract(参考訳): 本研究では,ボトムアップ階層推論フレームワークにおける検証例が少ない場合に,ベースフラット分類器のラベル後段を効率的に計算する手法を提案する。
ベース分類器の訓練に使用しないスタンドアローン検証セットは、ベース分類器の過度な適合を避けるために後方推定に好まれるが、小さな検証セットは有効に使用できる機能の数を制限する。
本稿では,階層分類の文脈におけるラベル後方推定タスクに対する一般化ロジットとラベル混乱に基づく,単純かつ堅牢なロジットベクトル圧縮手法を提案する。
また,他の圧縮手法との比較実験を複数種類の検証セットで実施し,関連する階層分類手法との比較を行った。
提案手法は, 高い階層的分類性能を維持しつつ, 信頼性の高い後続推定に十分な検証例を持たないという問題を緩和する。
関連論文リスト
- Weighted Aggregation of Conformity Scores for Classification [9.559062601251464]
コンフォーマル予測は、有効なカバレッジ保証を備えた予測セットを構築するための強力なフレームワークである。
本稿では,共形予測器の性能向上のために,複数のスコア関数を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2024-07-14T14:58:03Z) - Hierarchical confusion matrix for classification performance evaluation [0.0]
階層的混乱行列の概念を開発し、階層的分類問題にその適用性を証明する。
我々は,3つの実世界の階層的分類のベンチマークにおけるモデルを評価するために,新しい混乱行列に基づく測度を用いる。
その結果、このアプローチの理性とその階層的分類問題を評価するための有用性について概説した。
論文 参考訳(メタデータ) (2023-06-15T19:31:59Z) - 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) - Hierarchical classification at multiple operating points [1.520694326234112]
階層内の各クラスにスコアを割り当てる任意のメソッドに対して,演算特性曲線を生成する効率的なアルゴリズムを提案する。
2つの新しい損失関数を提案し、構造的ヒンジ損失のソフトな変形が平坦なベースラインを大幅に上回ることを示す。
論文 参考訳(メタデータ) (2022-10-19T23:36:16Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - 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) - 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) - Multiple Classifiers Based Maximum Classifier Discrepancy for
Unsupervised Domain Adaptation [25.114533037440896]
本稿では、2つの分類器の構造を複数の分類器に拡張し、その性能をさらに向上することを提案する。
平均的に、3つの分類器の構造を採用すると、精度と効率のトレードオフとして最高の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-08-02T03:00:13Z) - Inducing a hierarchy for multi-class classification problems [11.58041597483471]
分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。
本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。
原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
論文 参考訳(メタデータ) (2021-02-20T05:40:42Z) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳(メタデータ) (2021-02-01T07:36:38Z) - Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。
本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。
本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文 参考訳(メタデータ) (2020-08-10T11:28:52Z)
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。