論文の概要: The SAMME.C2 algorithm for severely imbalanced multi-class classification

• arxiv url: http://arxiv.org/abs/2112.14868v1
• Date: Thu, 30 Dec 2021 00:20:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-03 13:51:41.941298
• Title: The SAMME.C2 algorithm for severely imbalanced multi-class classification
• Title（参考訳）: 高度不均衡多クラス分類のためのSAMME.C2アルゴリズム
• Authors: Banghee So and Emiliano A. Valdez
• Abstract要約: マイノリティクラスは、観測に適した科学学習アルゴリズムが無数の課題を提示しているにもかかわらず、より興味深いクラスと見なされることが多い。 我々は,SAMME.C2と呼ぶ手法に基づいて,高度に不均衡なクラスを扱うための,新しい多クラス分類アルゴリズムを提案する。 得られたアルゴリズムを提供するだけでなく,提案したSAMME.C2アルゴリズムの科学的および統計的定式化も行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification predictive modeling involves the accurate assignment of observations in a dataset to target classes or categories. There is an increasing growth of real-world classification problems with severely imbalanced class distributions. In this case, minority classes have much fewer observations to learn from than those from majority classes. Despite this sparsity, a minority class is often considered the more interesting class yet developing a scientific learning algorithm suitable for the observations presents countless challenges. In this article, we suggest a novel multi-class classification algorithm specialized to handle severely imbalanced classes based on the method we refer to as SAMME.C2. It blends the flexible mechanics of the boosting techniques from SAMME algorithm, a multi-class classifier, and Ada.C2 algorithm, a cost-sensitive binary classifier designed to address highly class imbalances. Not only do we provide the resulting algorithm but we also establish scientific and statistical formulation of our proposed SAMME.C2 algorithm. Through numerical experiments examining various degrees of classifier difficulty, we demonstrate consistent superior performance of our proposed model.
• Abstract（参考訳）: 分類予測モデリングは、対象のクラスやカテゴリに対するデータセット内の観測の正確な割り当てを伴う。 不均衡なクラス分布を持つ実世界の分類問題は増加傾向にある。 この場合、マイノリティクラスは、多数派クラスから学ぶべき観察が、多数派クラスよりはるかに少ない。 この空間性にもかかわらず、少数民族は、観測に適する科学学習アルゴリズムが無数の課題を提示しているにもかかわらず、より興味深いクラスと見なされることが多い。 本稿では、SAMME.C2と呼ぶ手法に基づいて、高度不均衡なクラスを扱うための新しいマルチクラス分類アルゴリズムを提案する。 SAMMEアルゴリズム(マルチクラス分類器)とAda.C2アルゴリズム(高クラス不均衡に対処するために設計されたコスト感受性バイナリ分類器)の強化技法の柔軟な力学をブレンドする。 得られたアルゴリズムを提供するだけでなく,提案したSAMME.C2アルゴリズムの科学的および統計的定式化も行う。 種々の分類器の難易度を調べる数値実験により,提案モデルの一貫した優れた性能を示す。

関連論文リスト

• S3C: Self-Supervised Stochastic Classifiers for Few-Shot Class-Incremental Learning [22.243176199188238]
  FSCIL(Few-shot class-incremental Learning)は、既に学習済みのクラスについての知識を忘れずに、ラベル付きサンプルがほとんどない新しいクラスについて徐々に学習することを目的としている。 FSCILには2つの大きな課題がある: (i) 限られたデータ量のために新しいクラスに過度に適合すること、 (ii) 段階的にこれらのクラスからのデータが利用できないために古いクラスを破滅的に忘れること。
  論文  参考訳（メタデータ） (2023-07-05T12:41:46Z)
• 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)
• 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)
• Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms [36.810603503167755]
  我々は,MCIMO(Multi-class classification with Imprecise Observation)と呼ばれる新しい現実的問題に対処する新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そこで,提案した課題を解決するために,サポートベクタマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2022-06-09T07:14:00Z)
• 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)
• Divide-and-Conquer Hard-thresholding Rules in High-dimensional Imbalanced Classification [1.0312968200748118]
  高次元の線形判別分析(LDA)における不均衡クラスサイズの影響について検討した。 マイノリティ・クラスと呼ばれる1つのクラスのデータの不足により、LDAはマイノリティ・クラスを無視し、最大誤分類率を得ることを示す。 そこで本研究では,不等式化率の大きな差を低減させる分割・対数法に基づくハードコンカレンスルールの新たな構成法を提案する。
  論文  参考訳（メタデータ） (2021-11-05T07:44:28Z)
• Statistical Theory for Imbalanced Binary Classification [8.93993657323783]
  最適分類性能は、これまで形式化されていなかったクラス不均衡の特定の性質に依存することを示す。 具体的には、一様クラス不均衡と呼ばれる新しいクラス不均衡のサブタイプを提案する。 これらの結果は、不均衡二項分類に対する最初の有意義な有限サンプル統計理論のいくつかを提供する。
  論文  参考訳（メタデータ） (2021-07-05T03:55:43Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• 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)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。