論文の概要: Testing using Privileged Information by Adapting Features with Statistical Dependence

• arxiv url: http://arxiv.org/abs/2111.02865v1
• Date: Thu, 4 Nov 2021 13:45:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-05 14:13:36.407988
• Title: Testing using Privileged Information by Adapting Features with Statistical Dependence
• Title（参考訳）: 統計的依存性のある特徴適応による予備情報を用いたテスト
• Authors: Kwang In Kim and James Tompkin
• Abstract要約: テスト時に追加機能を利用することで、再トレーニングや予測関数の知識のない予測を改善する。 我々は,初期雑音予測器と付加特徴との統計的依存を実験的に推定し,強化する。 一例として,本手法が実世界の視覚的ランキングの改善につながることを示す。
• 参考スコア（独自算出の注目度）: 41.64621679913436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given an imperfect predictor, we exploit additional features at test time to improve the predictions made, without retraining and without knowledge of the prediction function. This scenario arises if training labels or data are proprietary, restricted, or no longer available, or if training itself is prohibitively expensive. We assume that the additional features are useful if they exhibit strong statistical dependence to the underlying perfect predictor. Then, we empirically estimate and strengthen the statistical dependence between the initial noisy predictor and the additional features via manifold denoising. As an example, we show that this approach leads to improvement in real-world visual attribute ranking. Project webpage: http://www.jamestompkin.com/tupi
• Abstract（参考訳）: 不完全な予測器が与えられた場合、予測関数の知識を必要とせずに、テスト時に追加機能を利用して予測を改善する。 このシナリオは、トレーニングラベルやデータがプロプライエタリである、制限されている、あるいは利用できない、あるいはトレーニング自体が違法に高価である場合に発生する。 基礎となる完全予測器に強い統計的依存を示す場合, 付加的な特徴が有用であると仮定する。 次に, 初期雑音予測器と追加特徴量との統計的依存性を, 実験的に推定し, 強化する。 一例として,本手法が実世界の視覚属性ランキングの改善につながることを示す。 プロジェクトWebページ: http://www.jamestompkin.com/tupi

関連論文リスト

• Augmented prediction of a true class for Positive Unlabeled data under selection bias [0.8594140167290099]
  本稿では, 観測時刻をラベル付けした正のアンラベル(PU)データに対して, 新たな観測環境を提案する。 我々は、追加情報は予測に重要であると主張し、このタスクを"Augmented PU prediction"と呼んでいる。 このようなシナリオで経験的ベイズ則のいくつかの変種を導入し、それらの性能について検討する。
  論文  参考訳（メタデータ） (2024-07-14T19:58:01Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• An Advantage Using Feature Selection with a Quantum Annealer [0.0]
  特徴選択(英: Feature selection)は、ターゲット変数に強い統計的接続を持つレコード中の特徴を識別する統計予測モデルにおける技法である。 本稿では、オープンソースのデータセットを利用して古典的手法に対するこの直感を検証し、各訓練された統計モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2022-11-17T18:32:26Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)

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。