論文の概要: AUC Maximization in the Era of Big Data and AI: A Survey

• arxiv url: http://arxiv.org/abs/2203.15046v1
• Date: Mon, 28 Mar 2022 19:24:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 09:50:14.119598
• Title: AUC Maximization in the Era of Big Data and AI: A Survey
• Title（参考訳）: ビッグデータとAIの時代におけるAUCの最大化:調査
• Authors: Tianbao Yang, Yiming Ying
• Abstract要約: ROC曲線下の領域(AUC)は、フォードデータ不均衡のパフォーマンスを評価するための選択肢である。 AUCは、AUCスコアを直接最大化することで予測モデルを学習する学習パラダイムを指す。
• 参考スコア（独自算出の注目度）: 64.50025542570235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Area under the ROC curve, a.k.a. AUC, is a measure of choice for assessing the performance of a classifier for imbalanced data. AUC maximization refers to a learning paradigm that learns a predictive model by directly maximizing its AUC score. It has been studied for more than two decades dating back to late 90s and a huge amount of work has been devoted to AUC maximization since then. Recently, stochastic AUC maximization for big data and deep AUC maximization for deep learning have received increasing attention and yielded dramatic impact for solving real-world problems. However, to the best our knowledge there is no comprehensive survey of related works for AUC maximization. This paper aims to address the gap by reviewing the literature in the past two decades. We not only give a holistic view of the literature but also present detailed explanations and comparisons of different papers from formulations to algorithms and theoretical guarantees. We also identify and discuss remaining and emerging issues for deep AUC maximization, and provide suggestions on topics for future work.
• Abstract（参考訳）: ROC曲線の下の領域(AUC)は、不均衡なデータに対する分類器のパフォーマンスを評価するための選択肢である。 AUC最大化(AUC maximization)とは、AUCスコアを直接最大化することで予測モデルを学ぶ学習パラダイムである。 90年代後半まで遡る20年以上にわたって研究され、それ以来AUCの最大化に多くの研究が注がれている。 近年,ビッグデータの確率的AUC最大化とディープラーニングの深層AUC最大化が注目され,現実世界の問題解決に劇的な影響を与えた。 しかし、我々の知る限り、AUCの最大化に関する包括的な研究は行われていない。 本稿は,過去20年間の文献のレビューを通じて,このギャップに対処することを目的とする。 文献の全体像だけでなく、定式化からアルゴリズム、理論的保証まで、さまざまな論文の詳細な説明と比較を提示する。 また,深層 auc の最大化のための課題と今後の課題を特定し,議論し,今後の課題の提案を行う。

関連論文リスト

• AUC Optimization from Multiple Unlabeled Datasets [14.318887072787938]
  U$m$-AUCは、U$m$データを多ラベルAUC最適化問題に変換するAUC最適化手法である。 提案したU$m$-AUCは理論的および実験的に有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-25T06:43:42Z)
• Weakly Supervised AUC Optimization: A Unified Partial AUC Approach [53.59993683627623]
  本稿では,弱い教師付きAUC最適化問題に対する統一的なフレームワークであるWSAUCを提案する。 まず, 汚染された集合に対するAUCリスクを最小化するための共通定式化として, 各種弱教師付きシナリオにおけるAUC最適化問題を考察した。 次に, 汚染ラベルの存在下でのAUCの堅牢なトレーニング目標となる, 新しい部分的AUC, 特に逆部分的AUC (rpAUC) を導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:11:33Z)
• Federated Compositional Deep AUC Maximization [58.25078060952361]
  本研究では,曲線(AUC)のスコアを直接最適化することにより,不均衡なデータに対する新しいフェデレート学習法を開発した。 私たちの知る限りでは、このような好ましい理論的な結果を達成した最初の作品である。
  論文  参考訳（メタデータ） (2023-04-20T05:49:41Z)
• Balanced Self-Paced Learning for AUC Maximization [88.53174245457268]
  既存のセルフパッチ方式は、ポイントワイズAUCに限られている。 我々のアルゴリズムは閉形式解に基づいて定常点に収束する。
  論文  参考訳（メタデータ） (2022-07-08T02:09:32Z)
• Evolutionary Multitasking AUC Optimization [10.279426529746667]
  本稿では,構築した安価で高価なタスクの情報をフル活用して高い性能を得るための進化的EMT(termed EMT)を開発する。 提案手法の性能をバイナリ分類データセットで評価する。
  論文  参考訳（メタデータ） (2022-01-04T14:14:13Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
  分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。 提案アルゴリズムの有効性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-11-04T16:49:29Z)

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。