Fugu-MT 論文翻訳(概要): Classification from Positive and Biased Negative Data with Skewed Labeled Posterior Probability

論文の概要: Classification from Positive and Biased Negative Data with Skewed Labeled Posterior Probability

arxiv url: http://arxiv.org/abs/2203.05749v1
Date: Fri, 11 Mar 2022 04:31:35 GMT
ステータス: 処理完了
システム内更新日: 2022-03-14 13:53:44.404776
Title: Classification from Positive and Biased Negative Data with Skewed Labeled Posterior Probability
Title（参考訳）: ラベル付き後方確率を用いた正負・偏負データからの分類
Authors: Shotaro Watanabe and Hidetoshi Matsui
Abstract要約: 正負負の分類問題 (PbN) にアプローチする新しい手法を提案する。本手法は, 観測データの正の後方確率を表すスキュード信頼による負の影響を補正する手法を組み込んだものである。
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: The binary classification problem has a situation where only biased data are observed in one of the classes. In this paper, we propose a new method to approach the positive and biased negative (PbN) classification problem, which is a weakly supervised learning method to learn a binary classifier from positive data and negative data with biased observations. We incorporate a method to correct the negative impact due to skewed confidence, which represents the posterior probability that the observed data are positive. This reduces the distortion of the posterior probability that the data are labeled, which is necessary for the empirical risk minimization of the PbN classification problem. We verified the effectiveness of the proposed method by numerical experiments and real data analysis.
Abstract（参考訳）: 二項分類問題は、偏りのあるデータのみをクラスの1つで観測する状況である。本稿では,正・負の分類問題 (PbN) にアプローチする新たな手法を提案する。これは,正のデータと負のデータから二項分類器を学習する弱い教師付き学習法である。本研究では,観測データが正の後方確率を表す歪んだ信頼感による負の影響を補正する手法を提案する。これにより、データがラベル付けされた後続確率の歪みを低減し、PbN分類問題の経験的リスク最小化に必要となる。提案手法の有効性を数値実験と実データ解析により検証した。

関連論文リスト

Contrastive Learning with Negative Sampling Correction [52.990001829393506]
PUCL(Positive-Unlabeled Contrastive Learning)という新しいコントラスト学習手法を提案する。 PUCLは生成した負のサンプルをラベルのないサンプルとして扱い、正のサンプルからの情報を用いて、対照的な損失のバイアスを補正する。 PUCLは一般的なコントラスト学習問題に適用でき、様々な画像やグラフの分類タスクにおいて最先端の手法より優れている。
論文参考訳（メタデータ） (2024-01-13T11:18:18Z)
Joint empirical risk minimization for instance-dependent positive-unlabeled data [4.112909937203119]
正とラベルなしのデータ(PU学習)からの学習は、機械学習のタスクとして積極的に研究されている。目標は、ラベル付きインスタンスとラベルなしインスタンスの一部を含むデータセットに基づいて、バイナリ分類モデルをトレーニングすることだ。ラベルなし集合は、残りの部分の正と全ての負の観察を含む。
論文参考訳（メタデータ） (2023-12-27T12:45:12Z)
Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文参考訳（メタデータ） (2023-03-21T09:07:15Z)
Automatic Debiased Learning from Positive, Unlabeled, and Exposure Data [11.217084610985674]
本稿では,正・未ラベルデータ(PU分類)からの二項分類の問題に,正のデータの選択バイアスを伴って対処する。このシナリオは、レコメンダシステムのような多くの実用的なアプリケーションのための概念的なフレームワークを表している。本稿では,強い無知性仮定を用いて関心の関数を同定し,ADPUE(Automatic Debiased PUE)学習法を開発する手法を提案する。
論文参考訳（メタデータ） (2023-03-08T18:45:22Z)
Learning From Positive and Unlabeled Data Using Observer-GAN [0.0]
正・未ラベルデータ(A.K.A. PU学習)から学習することの問題は、二項分類(正・負)において研究されている。 GAN(Generative Adversarial Networks)は、教師あり学習が分類タスクにおいて最先端の精度を持つという利点を生かして、教師あり設定に問題を還元するために使用されている。
論文参考訳（メタデータ） (2022-08-26T07:35:28Z)
Nonuniform Negative Sampling and Log Odds Correction with Rare Events Data [15.696653979226113]
不均衡なデータに対する非一様負サンプリングによるパラメータ推定の問題について検討する。一般逆確率重み付き(IPW)推定器を導出し,その分散を最小化する最適なサンプリング確率を得る。理論的および実証的な結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2021-10-25T15:37:22Z)
A Novel Perspective for Positive-Unlabeled Learning via Noisy Labels [49.990938653249415]
本研究では,初期疑似ラベルを雑音ラベルデータとして用いる非ラベルデータに割り当て,雑音ラベルデータを用いて深層ニューラルネットワークを訓練する手法を提案する。実験の結果,提案手法は,いくつかのベンチマークデータセットにおいて,最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2021-03-08T11:46:02Z)
Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文参考訳（メタデータ） (2021-02-13T07:31:16Z)
Learning from Positive and Unlabeled Data with Arbitrary Positive Shift [11.663072799764542]
本稿では,未ラベルデータに対して任意の非表現陽性データであってもPU学習が可能であることを示す。これを統計的に一貫した2つの手法に統合し、任意の正のバイアスに対処する。実験により,多数の実世界のデータセットにまたがる手法の有効性が示された。
論文参考訳（メタデータ） (2020-02-24T13:53:22Z)
On Positive-Unlabeled Classification in GAN [130.43248168149432]
本稿では,標準GANに対する肯定的かつ未ラベルの分類問題を定義する。その後、GANにおける差別者の訓練を安定させる新しい手法が導かれる。
論文参考訳（メタデータ） (2020-02-04T05:59:37Z)
Binary Classification from Positive Data with Skewed Confidence [85.18941440826309]
肯定的信頼度(Pconf)分類は、有望な弱教師付き学習法である。実際には、信頼はアノテーションプロセスで生じるバイアスによって歪められることがある。本稿では、スキュード信頼度のパラメータ化モデルを導入し、ハイパーパラメータを選択する方法を提案する。
論文参考訳（メタデータ） (2020-01-29T00:04:36Z)

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。