Fugu-MT 論文翻訳(概要): Multiclass learning with margin: exponential rates with no bias-variance trade-off

論文の概要: Multiclass learning with margin: exponential rates with no bias-variance trade-off

arxiv url: http://arxiv.org/abs/2202.01773v1
Date: Thu, 3 Feb 2022 18:57:27 GMT
ステータス: 処理完了
システム内更新日: 2022-02-04 13:26:25.772609
Title: Multiclass learning with margin: exponential rates with no bias-variance trade-off
Title（参考訳）: マージンをもつマルチクラス学習:バイアス分散トレードオフのない指数速度
Authors: Stefano Vigogna, Giacomo Meanti, Ernesto De Vito, Lorenzo Rosasco
Abstract要約: 最適境界条件下でのマルチクラス分類における誤差境界の挙動について検討する。異なる収束速度は異なるマージンの仮定に対応して得られる。
参考スコア（独自算出の注目度）: 16.438523317718694
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the behavior of error bounds for multiclass classification under suitable margin conditions. For a wide variety of methods we prove that the classification error under a hard-margin condition decreases exponentially fast without any bias-variance trade-off. Different convergence rates can be obtained in correspondence of different margin assumptions. With a self-contained and instructive analysis we are able to generalize known results from the binary to the multiclass setting.
Abstract（参考訳）: 適切なマージン条件下でのマルチクラス分類における誤差境界の挙動について検討する。様々な手法において, ハードマージン条件下での分類誤差は, バイアス分散トレードオフを伴わずに指数関数的に減少することを証明する。異なる収束率は異なるマージンの仮定に対応して得られる。自己完結型インストラクティブ解析により、バイナリからマルチクラス設定への既知の結果を一般化することができる。

関連論文リスト

The Implicit Bias of Gradient Descent on Separable Multiclass Data [38.05903703331163]
我々は、指数的尾特性のマルチクラス拡張を導入するために、置換同変と相対マージンベース(PERM)損失の枠組みを用いる。提案手法は二分法の場合をよく反映しており,二分法と多分法のギャップを埋めるためのPERMフレームワークの威力を示すものである。
論文参考訳（メタデータ） (2024-11-02T19:39:21Z)
A Universal Growth Rate for Learning with Smooth Surrogate Losses [30.389055604165222]
2進分類におけるスムーズなマージンベースサロゲート損失に対して,0付近の平方根成長速度を証明した。我々は、この分析を、一連の新しい結果でマルチクラス分類に拡張する。
論文参考訳（メタデータ） (2024-05-09T17:59:55Z)
The Implicit Bias of Batch Normalization in Linear Models and Two-layer Linear Convolutional Neural Networks [117.93273337740442]
勾配勾配勾配は、exp(-Omega(log2 t))$収束率でトレーニングデータ上の一様マージン分類器に収束することを示す。また、バッチ正規化はパッチワイドの均一なマージンに対して暗黙の偏りを持つことを示す。
論文参考訳（メタデータ） (2023-06-20T16:58:00Z)
Multi-Label Quantification [78.83284164605473]
定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
論文参考訳（メタデータ） (2022-11-15T11:29:59Z)
Shift Happens: Adjusting Classifiers [2.8682942808330703]
ブレアスコアやログロス(クロスエントロピー)のような適切なスコアリングルールによって測定される期待損失を最小限に抑えることは、確率的分類器を訓練する際の共通の目的である。本稿では,全ての予測を平均予測とクラス分布に等化させる手法を提案する。実際に、クラス分布が概ね知られている場合、シフトの量やクラス分布が知られている精度に応じて、損失が減少することがしばしばあることを実験によって実証した。
論文参考訳（メタデータ） (2021-11-03T21:27:27Z)
When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。多様な分類課題にまたがってその効果を実証的に示す。
論文参考訳（メタデータ） (2021-09-28T02:55:42Z)
Intra-Class Uncertainty Loss Function for Classification [6.523198497365588]
特にアンバランスクラスを含むデータセットでは、クラス内の不確実性/可変性は考慮されない。本フレームワークでは,各クラスの深いネットワークによって抽出された特徴を,独立なガウス分布によって特徴付ける。提案手法は,より優れたクラス表現を学習することで,分類性能の向上を示す。
論文参考訳（メタデータ） (2021-04-12T09:02:41Z)
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)
One-vs.-One Mitigation of Intersectional Bias: A General Method to Extend Fairness-Aware Binary Classification [0.48733623015338234]
1-vs.ワン・マイティゲーション(英: One-vs. One Mitigation)は、二項分類のためのフェアネス認識機械学習と、センシティブ属性に関連する各サブグループの比較プロセスである。本手法は,すべての設定において従来の手法よりも交叉バイアスを緩和する。
論文参考訳（メタデータ） (2020-10-26T11:35:39Z)
Relative Deviation Margin Bounds [55.22251993239944]
我々はRademacher複雑性の観点から、分布依存と一般家庭に有効な2種類の学習境界を与える。有限モーメントの仮定の下で、非有界な損失関数に対する分布依存的一般化境界を導出する。
論文参考訳（メタデータ） (2020-06-26T12:37:17Z)
Negative Margin Matters: Understanding Margin in Few-shot Classification [72.85978953262004]
本稿では,メトリクス学習に基づく数ショット学習手法に負のマージン損失を導入する。負のマージンの損失は、通常のソフトマックスの損失と、3つの標準的な数ショット分類ベンチマークにおける最先端の精度を著しく上回る。
論文参考訳（メタデータ） (2020-03-26T17:59:05Z)

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。