論文の概要: Risk Consistent Multi-Class Learning from Label Proportions
- arxiv url: http://arxiv.org/abs/2203.12836v1
- Date: Thu, 24 Mar 2022 03:49:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-25 14:45:27.119056
- Title: Risk Consistent Multi-Class Learning from Label Proportions
- Title(参考訳): ラベル比率によるリスク一貫性のある多クラス学習
- Authors: Ryoma Kobayashi, Yusuke Mukuta, Tatsuya Harada
- Abstract要約: 本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。
既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。
経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
- 参考スコア(独自算出の注目度): 64.0125322353281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study addresses a multiclass learning from label proportions (MCLLP)
setting in which training instances are provided in bags and only the
proportion of each class within the bags is provided. Most existing MCLLP
methods impose bag-wise constraints on the prediction of instances or assign
them pseudo-labels; however, none of these methods have a theoretical
consistency. To solve this problem, a risk-consistent method is proposed for
instance classification using the empirical risk minimization framework, and
its estimation error bound is derived. An approximation method is proposed for
the proposed risk estimator, to apply it to large bags, by diverting the
constraints on bags in existing research. The proposed method can be applied to
any deep model or loss and is compatible with stochastic optimization.
Experiments are conducted on benchmarks to verify the effectiveness of the
proposed method.
- Abstract(参考訳): 本研究では,バッグ内のトレーニングインスタンスが提供され,バッグ内の各クラスの割合のみを提供するラベル比率(mcllp)設定からの多クラス学習について述べる。
既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバグワイドな制約を課すが、いずれの手法も理論的に整合性はない。
この問題を解決するために,経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案し,その推定誤差を導出する。
提案手法は,既存研究の袋に制約を分散させることにより,大きな袋に適用するためのリスク推定器の近似手法を提案する。
提案手法はどんな深層モデルや損失にも適用でき,確率的最適化と互換性がある。
提案手法の有効性を検証するためのベンチマーク実験を行った。
関連論文リスト
- An Unbiased Risk Estimator for Partial Label Learning with Augmented Classes [46.663081214928226]
PLLACを理論的に保証した非バイアスリスク推定器を提案する。
PLLACの推定誤差の理論的解析を行う。
ベンチマーク、UCI、実世界のデータセットの実験では、提案手法の有効性が示されている。
論文 参考訳(メタデータ) (2024-09-29T07:36:16Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳(メタデータ) (2023-11-27T02:59:17Z) - Can Class-Priors Help Single-Positive Multi-Label Learning? [40.312419865957224]
シングル陽性マルチラベル学習(SPMLL)は、典型的には弱教師付きマルチラベル学習問題である。
クラスプライア推定器を導入し、理論上はクラスプライアに収束することが保証されているクラスプライアを推定することができる。
推定されたクラスプライヤに基づいて、分類のための非バイアスリスク推定器が導出され、対応するリスク最小化器が、完全に教師されたデータ上で、最適リスク最小化器にほぼ収束することを保証できる。
論文 参考訳(メタデータ) (2023-09-25T05:45:57Z) - 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) - Bounding Box-based Multi-objective Bayesian Optimization of Risk
Measures under Input Uncertainty [21.056363101777052]
我々は,入力不確実性(IU)の存在下でのブラックボックス関数のリスク測定によって定義されるパレートフロント(PF)を効率的に同定する,新しい多目的ベイズ最適化(MOBO)手法を提案する。
提案手法の基本的な考え方は,ブラックボックス関数に対するガウス過程(GP)モデルを仮定し,GPモデルを用いたリスク対策のための高確率バウンディングボックスを構築することである。
ベイズリスク、最悪のケースリスク、そして値といった様々なリスク対策に対して、アルゴリズムは高い確率で有限個の反復で任意の精度の解を返すことができることを証明した。
論文 参考訳(メタデータ) (2023-01-27T08:25:45Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳(メタデータ) (2020-10-15T16:14:27Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳(メタデータ) (2020-07-08T11:35:47Z)
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。