論文の概要: Rank4Class: A Ranking Formulation for Multiclass Classification
- arxiv url: http://arxiv.org/abs/2112.09727v1
- Date: Fri, 17 Dec 2021 19:22:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 08:38:59.978671
- Title: Rank4Class: A Ranking Formulation for Multiclass Classification
- Title（参考訳）: Rank4Class: 多クラス分類のランク付け式
- Authors: Nan Wang, Zhen Qin, Le Yan, Honglei Zhuang, Xuanhui Wang, Michael
Bendersky, Marc Najork
- Abstract要約: マルチクラス分類(MCC)は基本的な機械学習問題である。
ランキングのレンズを通した新しい定式化により,MCCの性能を向上させることは容易であることを示す。
- 参考スコア（独自算出の注目度）: 26.47229268790206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiclass classification (MCC) is a fundamental machine learning problem
which aims to classify each instance into one of a predefined set of classes.
Given an instance, a classification model computes a score for each class, all
of which are then used to sort the classes. The performance of a classification
model is usually measured by Top-K Accuracy/Error (e.g., K=1 or 5). In this
paper, we do not aim to propose new neural representation learning models as
most recent works do, but to show that it is easy to boost MCC performance with
a novel formulation through the lens of ranking. In particular, by viewing MCC
as to rank classes for an instance, we first argue that ranking metrics, such
as Normalized Discounted Cumulative Gain (NDCG), can be more informative than
existing Top-K metrics. We further demonstrate that the dominant neural MCC
architecture can be formulated as a neural ranking framework with a specific
set of design choices. Based on such generalization, we show that it is
straightforward and intuitive to leverage techniques from the rich information
retrieval literature to improve the MCC performance out of the box. Extensive
empirical results on both text and image classification tasks with diverse
datasets and backbone models (e.g., BERT and ResNet for text and image
classification) show the value of our proposed framework.
- Abstract（参考訳）: マルチクラス分類(MCC)は、各インスタンスを事前に定義されたクラスの1つに分類することを目的とした、基本的な機械学習問題である。
インスタンスが与えられた場合、分類モデルは各クラスのスコアを計算し、そのすべてがクラスをソートするために使用される。
分類モデルの性能は通常、Top-K精度/エラー(例えばK=1または5)によって測定される。
本稿では,最近の研究のように新しいニューラル表現学習モデルを提案するのではなく,ランキングレンズによる新しい定式化により,MCCの性能を高めることが容易であることを示す。
特に、MCCをインスタンスのランク付けクラスとして見ることによって、正規化された非カウント累積ゲイン(NDCG)のようなランク付けメトリクスは、既存のTop-Kメトリクスよりも有益である、と最初に主張する。
我々はさらに,支配的なニューラルmccアーキテクチャを,特定の設計選択のセットを持つニューラルランキングフレームワークとして定式化できることを実証する。
このような一般化に基づいて,豊富な情報検索文献から得られる技術を活用して,MCCの性能を向上させることは簡単かつ直感的であることを示す。
多様なデータセットとバックボーンモデル(例えば、bertとresnet for text and image classification)を持つテキストと画像の分類タスクの広範な経験結果から、提案フレームワークの価値が分かる。
関連論文リスト
- Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。
TCGAデータセットの4つの実験により、我々のQPMIL-VLフレームワークが漸進的なWSI分類に有効であることが示された。
論文 参考訳（メタデータ） (2024-10-14T14:49:34Z) - ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。
本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。
次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
論文 参考訳（メタデータ） (2023-06-04T02:55:25Z) - Dynamic Conceptional Contrastive Learning for Generalized Category
Discovery [76.82327473338734]
Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。
ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。
GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。
本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-30T14:04:39Z) - Inspecting class hierarchies in classification-based metric learning
models [0.0]
我々は、ベンチマークと実世界のデータセット上で、いくつかのトレーニングオプションを備えたソフトマックス分類器と3つのメトリック学習モデルを訓練する。
我々は,学習したクラスの代表者や階層的インフォームドのパフォーマンス,すなわち分類性能とメートル法学習性能を事前に定義された階層構造を考慮し,階層的推論性能を評価する。
論文 参考訳（メタデータ） (2023-01-26T12:40:12Z) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳（メタデータ） (2021-11-18T06:58:19Z) - Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。
まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。
第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文 参考訳（メタデータ） (2021-08-29T05:45:03Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。
ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
論文 参考訳（メタデータ） (2020-10-28T14:37:25Z) - PK-GCN: Prior Knowledge Assisted Image Classification using Graph
Convolution Networks [3.4129083593356433]
クラス間の類似性は、分類のパフォーマンスに影響を与える可能性がある。
本稿では,クラス類似性の知識を畳み込みニューラルネットワークモデルに組み込む手法を提案する。
実験結果から, 利用可能なデータの量が少ない場合には, 分類精度が向上することが示唆された。
論文 参考訳（メタデータ） (2020-09-24T18:31:35Z) - Meta Learning for Few-Shot One-class Classification [0.0]
メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。
これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。
数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2020-09-11T11:35:28Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳（メタデータ） (2020-05-11T14:07:06Z)
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。