論文の概要: Noise-Resilient Ensemble Learning using Evidence Accumulation Clustering
- arxiv url: http://arxiv.org/abs/2110.09212v1
- Date: Mon, 18 Oct 2021 11:52:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 14:12:45.967048
- Title: Noise-Resilient Ensemble Learning using Evidence Accumulation Clustering
- Title(参考訳): 証拠蓄積クラスタリングを用いた耐雑音アンサンブル学習
- Authors: Ga\"elle Candel, David Naccache
- Abstract要約: アンサンブル学習法は、同じタスクを実行する複数のアルゴリズムを組み合わせて、優れた品質のグループを構築する。
これらのシステムは、ネットワークの各ピアまたはマシンが1つのアルゴリズムをホストし、その結果をそのピアに伝達する分散セットアップによく適合する。
しかし、ネットワークは破損し、アンサンブルの品質に有害な影響を及ぼすピアの予測精度が変化する。
雑音耐性アンサンブル分類法を提案し,精度の向上と乱数誤差の補正を支援する。
- 参考スコア(独自算出の注目度): 1.7188280334580195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensemble Learning methods combine multiple algorithms performing the same
task to build a group with superior quality. These systems are well adapted to
the distributed setup, where each peer or machine of the network hosts one
algorithm and communicate its results to its peers. Ensemble learning methods
are naturally resilient to the absence of several peers thanks to the ensemble
redundancy. However, the network can be corrupted, altering the prediction
accuracy of a peer, which has a deleterious effect on the ensemble quality. In
this paper, we propose a noise-resilient ensemble classification method, which
helps to improve accuracy and correct random errors. The approach is inspired
by Evidence Accumulation Clustering , adapted to classification ensembles. We
compared it to the naive voter model over four multi-class datasets. Our model
showed a greater resilience, allowing us to recover prediction under a very
high noise level. In addition as the method is based on the evidence
accumulation clustering, our method is highly flexible as it can combines
classifiers with different label definitions.
- Abstract(参考訳): Ensemble Learningメソッドは同じタスクを実行する複数のアルゴリズムを組み合わせて、優れた品質のグループを構築する。
これらのシステムは、ネットワークの各ピアまたはマシンが1つのアルゴリズムをホストし、その結果をそのピアに伝達する分散セットアップによく適合する。
アンサンブル学習法は,アンサンブルの冗長性により,複数のピアが存在しないことで自然に回復する。
しかし、ネットワークが破損し、ピアの予測精度が変化し、アンサンブル品質に悪影響を及ぼす可能性がある。
本稿では,雑音耐性アンサンブル分類法を提案する。
このアプローチは、アンサンブルの分類に適応したエビデンス蓄積クラスタリングにインスパイアされている。
我々はこれを、4つのマルチクラスデータセット上の単純投票モデルと比較した。
モデルでは高い反発性を示し、非常に高い騒音下で予測を回復することができた。
さらに,本手法はエビデンス蓄積クラスタリングに基づくため,分類器と異なるラベル定義を組み合わせられるため,非常に柔軟な手法である。
関連論文リスト
- Graph-based Active Learning for Entity Cluster Repair [1.7453520331111723]
クラスタ修復手法は、クラスタ内のエラーを判定し、各クラスタが同一エンティティを表すレコードで構成されるように修正することを目的としている。
現在のクラスタ修復手法では、重複のないデータソースを前提としており、あるソースからのレコードは別のソースからのユニークなレコードに対応する。
近年,クラスタリング手法とリンク分類法を併用して,重複したデータソースに適用する手法が提案されている。
本稿では,クラスタ修復のための新しい手法を提案し,その基盤となる類似性グラフから得られるグラフメトリクスを利用する。
論文 参考訳(メタデータ) (2024-01-26T16:42:49Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳(メタデータ) (2023-12-27T09:03:43Z) - 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) - Overlapping oriented imbalanced ensemble learning method based on
projective clustering and stagewise hybrid sampling [22.32930261633615]
本稿では、二重クラスタリングとステージワイドハイブリッドサンプリング(DCSHS)に基づくアンサンブル学習アルゴリズムを提案する。
我々のアルゴリズムの大きな利点は、重なり合う多数サンプルのソフトな除去を実現するためにCSの交叉性を利用することができることである。
論文 参考訳(メタデータ) (2022-11-30T01:49:06Z) - Neural Active Learning on Heteroskedastic Distributions [29.01776999862397]
ヘテロスケダスティックデータセット上でのアクティブ学習アルゴリズムの破滅的な失敗を実証する。
本稿では,各データポイントにモデル差分スコアリング関数を組み込んで,ノイズの多いサンプルとサンプルクリーンなサンプルをフィルタするアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-11-02T07:30:19Z) - Ensemble Classifier Design Tuned to Dataset Characteristics for Network
Intrusion Detection [0.0]
データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。
提案手法は二進分類と多進分類の両方で評価される。
論文 参考訳(メタデータ) (2022-05-08T21:06:42Z) - 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) - Unsupervised Clustered Federated Learning in Complex Multi-source
Acoustic Environments [75.8001929811943]
現実的で挑戦的なマルチソース・マルチルーム音響環境を導入する。
本稿では,音響シーンの変動を考慮したクラスタリング制御手法を提案する。
提案手法はクラスタリングに基づく測度を用いて最適化され,ネットワークワイド分類タスクによって検証される。
論文 参考訳(メタデータ) (2021-06-07T14:51:39Z) - SetConv: A New Approach for Learning from Imbalanced Data [29.366843553056594]
集合畳み込み操作とエピソード学習戦略を提案し,各クラスに1つの代表を抽出する。
提案アルゴリズムは入力順序に関わらず置換不変であることを示す。
論文 参考訳(メタデータ) (2021-04-03T22:33:30Z) - Active Hybrid Classification [79.02441914023811]
本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。
本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-01-21T21:09:07Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z)
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。