論文の概要: Neyman-Pearson Multi-class Classification via Cost-sensitive Learning
- arxiv url: http://arxiv.org/abs/2111.04597v1
- Date: Mon, 8 Nov 2021 16:09:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 15:33:48.523370
- Title: Neyman-Pearson Multi-class Classification via Cost-sensitive Learning
- Title(参考訳): コスト感受性学習によるNeyman-Pearson多クラス分類
- Authors: Ye Tian and Yang Feng
- Abstract要約: 本研究では,コストセンシティブ (CS) 問題に接続することで,マルチクラスNP問題について検討する。
NPオラクルの不等式と整合性は二項の場合から多項の場合へ拡張し、この2つのアルゴリズムが特定の条件下でこれらの特性を享受していることを示す。
提案アルゴリズムは CRAN 上の R パッケージ "npcs" に実装されている。
- 参考スコア(独自算出の注目度): 7.675822266933702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most existing classification methods aim to minimize the overall
misclassification error rate, however, in applications, different types of
errors can have different consequences. To take into account this asymmetry
issue, two popular paradigms have been developed, namely the Neyman-Pearson
(NP) paradigm and cost-sensitive (CS) paradigm. Compared to CS paradigm, NP
paradigm does not require a specification of costs. Most previous works on NP
paradigm focused on the binary case. In this work, we study the multi-class NP
problem by connecting it to the CS problem, and propose two algorithms. We
extend the NP oracle inequalities and consistency from the binary case to the
multi-class case, and show that our two algorithms enjoy these properties under
certain conditions. The simulation and real data studies demonstrate the
effectiveness of our algorithms. To our knowledge, this is the first work to
solve the multi-class NP problem via cost-sensitive learning techniques with
theoretical guarantees. The proposed algorithms are implemented in the R
package "npcs" on CRAN.
- Abstract(参考訳): 既存の分類手法のほとんどは、全体的な誤分類の誤り率を最小化することを目的としているが、アプリケーションでは、異なるタイプのエラーが異なる結果をもたらす可能性がある。
この非対称性の問題を考慮して、2つの一般的なパラダイム、すなわちネイマン・ピアソン(NP)パラダイムとコスト感受性(CS)パラダイムが開発された。
csパラダイムと比較して、npパラダイムはコストの仕様を必要としない。
npパラダイムに関するこれまでのほとんどの作業は、バイナリケースに注目していた。
本研究では,多クラスNP問題をCS問題に接続して検討し,2つのアルゴリズムを提案する。
np oracleの不等式と一貫性をバイナリケースからマルチクラスケースに拡張し、我々の2つのアルゴリズムが特定の条件下でこれらの特性を享受していることを示す。
シミュレーションと実データ研究では,アルゴリズムの有効性を示す。
我々の知る限り、これは理論的な保証を伴うコスト感受性学習技術を用いて、マルチクラスNP問題を解く最初の試みである。
提案アルゴリズムは CRAN 上の R パッケージ "npcs" に実装されている。
関連論文リスト
- Quantum Annealing Solutions for the Closest String Problem with D-Wave
Systems [0.0]
クローズストストリング問題(Closest String problem)は、生物情報学や符号化理論でよく見られるNP完全問題である。
2つのQUBOの定式化が提案されており、1つはもう1つに対してわずかに修正されている。
DWaveアナライザは、特定のプラットフォーム固有の関心事に対する最適なガイドラインを提供しながら使われてきた。
論文 参考訳(メタデータ) (2023-10-19T16:03:25Z) - Model-Free Algorithm with Improved Sample Efficiency for Zero-Sum Markov
Games [71.0315408565146]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - Unsupervised Learning of Initialization in Deep Neural Networks via
Maximum Mean Discrepancy [74.34895342081407]
本稿では,入力データに対する優れた初期化を求めるための教師なしアルゴリズムを提案する。
まず、パラメータ空間における各パラメータ構成が、d-way分類の特定の下流タスクに対応することに気付く。
次に、学習の成功は、初期パラメータの近傍で下流タスクがいかに多様であるかに直接関連していると推測する。
論文 参考訳(メタデータ) (2023-02-08T23:23:28Z) - Stochastic Differentially Private and Fair Learning [7.971065005161566]
我々は、収束することが保証されるフェアラーニングのための最初の微分プライベートアルゴリズムを提供する。
われわれのフレームワークは、人口格差や均等化オッズなど、さまざまな公平さを許容できるほど柔軟である。
本アルゴリズムは,複数の(非バイナリ)機密属性を持つ非バイナリ分類タスクに適用可能である。
論文 参考訳(メタデータ) (2022-10-17T06:54:57Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Solving the vehicle routing problem with deep reinforcement learning [0.0]
本稿では,NP-Hard 問題のクラスに属する有名な問題である Vehicle Routing Problem (VRP) に対する RL の適用について述べる。
第2フェーズでは、アクターと批評家の背後にあるニューラルアーキテクチャが確立され、畳み込みニューラルネットワークに基づいたニューラルアーキテクチャを採用することが選択された。
広範囲なインスタンスで行った実験では、アルゴリズムが優れた一般化能力を持ち、短時間で良い解に達することが示されている。
論文 参考訳(メタデータ) (2022-07-30T12:34:26Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳(メタデータ) (2022-01-18T03:31:11Z) - Feature Importance-aware Graph Attention Network and Dueling Double Deep
Q-Network Combined Approach for Critical Node Detection Problems [61.48763653120301]
クリティカルノード問題(Critical Node Problem, CNP)は、ネットワークから重要なノードの集合を見つけることを目的とした問題である。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳(メタデータ) (2021-12-03T14:23:05Z) - Bridging Cost-sensitive and Neyman-Pearson Paradigms for Asymmetric
Binary Classification [12.083020037901651]
コスト感受性とノイマン・ピアソンのパラダイムの方法論的関連性を検討する。
2つのパラダイムを橋渡しするTUBE-CSアルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-12-29T21:40:52Z) - Generalization in portfolio-based algorithm selection [97.74604695303285]
ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。
ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
論文 参考訳(メタデータ) (2020-12-24T16:33:17Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z)
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。