論文の概要: False membership rate control in mixture models
- arxiv url: http://arxiv.org/abs/2203.02597v4
- Date: Wed, 25 Oct 2023 14:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 06:52:10.012670
- Title: False membership rate control in mixture models
- Title（参考訳）: 混合モデルにおける偽会員率制御
- Authors: Ariane Marandon, Tabea Rebafka, Etienne Roquain, Nataliya Sokolovska
- Abstract要約: クラスタリングタスクは、サンプルの要素を均質なグループに分割する。
教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。
本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
- 参考スコア（独自算出の注目度）: 1.387448620257867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The clustering task consists in partitioning elements of a sample into
homogeneous groups. Most datasets contain individuals that are ambiguous and
intrinsically difficult to attribute to one or another cluster. However, in
practical applications, misclassifying individuals is potentially disastrous
and should be avoided. To keep the misclassification rate small, one can decide
to classify only a part of the sample. In the supervised setting, this approach
is well known and referred to as classification with an abstention option. In
this paper the approach is revisited in an unsupervised mixture model framework
and the purpose is to develop a method that comes with the guarantee that the
false membership rate (FMR) does not exceed a pre-defined nominal level
$\alpha$. A plug-in procedure is proposed, for which a theoretical analysis is
provided, by quantifying the FMR deviation with respect to the target level
$\alpha$ with explicit remainder terms. Bootstrap versions of the procedure are
shown to improve the performance in numerical experiments.
- Abstract（参考訳）: クラスタリングタスクは、サンプルの要素を均質なグループに分割する。
ほとんどのデータセットには、あいまいで本質的に1つまたは別のクラスタに属することが難しい個人が含まれている。
しかし、実際的な応用では、誤分類は破壊的になり、避けるべきである。
誤分類率を小さくしておくために、サンプルの一部だけを分類することを決定できる。
教師付き設定では、このアプローチはよく知られており、棄却オプションを持つ分類と呼ばれる。
本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率(FMR)が予め定義された定式レベル$\alpha$を超えないことを保証する手法を開発することを目的とする。
対象レベル$\alpha$に対するfmr偏差を明示的な剰余項で定量化することにより、理論的解析を提供するプラグイン手順を提案する。
この手順のブートストラップ版は, 数値実験における性能向上を図っている。
関連論文リスト
- Adaptive Margin Global Classifier for Exemplar-Free Class-Incremental Learning [3.4069627091757178]
既存の手法は主にバイアス学習を扱うことに焦点を当てている。
本研究では,データ不均衡やサンプリングといった既存手法のバイアス要因を回避するために,分散ベースグローバル(DBGC)を導入する。
さらに重要なのは、古いクラスの妥協された分布は、単純な操作、分散(VE)によってシミュレートされることだ。
この損失は、Adaptive Margin Softmax Cross Entropy (AMarX)と等価であることが証明されている。
論文 参考訳（メタデータ） (2024-09-20T07:07:23Z) - Robust Non-adaptive Group Testing under Errors in Group Membership Specifications [3.554868356768806]
グループテスト(GT)は、$n p$ group'でテストを実行することで欠陥状態を決定することを目的としており、$p$サンプルのサブセットを混合してグループを形成する。
しかし、既存の方法の多くは、グループメンバーシップが正確に指定されていると仮定している。
本稿では,グループメンバシップ仕様の誤りを処理できる新しいGT法であるDebiased Robust Lasso Test Method (DRLT) を提案する。
論文 参考訳（メタデータ） (2024-09-09T06:03:23Z) - A Universal Unbiased Method for Classification from Aggregate
Observations [115.20235020903992]
本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。
提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
論文 参考訳（メタデータ） (2023-06-20T07:22:01Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-30T09:39:57Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Self-Adaptive Label Augmentation for Semi-supervised Few-shot
Classification [121.63992191386502]
Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。
そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。
SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
論文 参考訳（メタデータ） (2022-06-16T13:14:03Z) - Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。
本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。
教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文 参考訳（メタデータ） (2021-09-29T02:56:45Z) - Does Adversarial Oversampling Help us? [10.210871872870737]
本稿では,データセットのクラス不均衡を処理するために,3人のプレイヤーによるゲームベースのエンドツーエンド手法を提案する。
本稿では,敵対的マイノリティ・オーバーサンプリングではなく,敵対的オーバーサンプリング (AO) とデータ空間・オーバーサンプリング (DO) のアプローチを提案する。
提案手法の有効性を高次元・高不均衡・大規模マルチクラスデータセットを用いて検証した。
論文 参考訳（メタデータ） (2021-08-20T05:43:17Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-12-18T19:03:40Z) - Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。
本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。
我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文 参考訳（メタデータ） (2020-07-06T08:11:03Z)
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。