論文の概要: Classification as Direction Recovery: Improved Guarantees via Scale Invariance

• arxiv url: http://arxiv.org/abs/2205.08633v1
• Date: Tue, 17 May 2022 21:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 22:44:15.723070
• Title: Classification as Direction Recovery: Improved Guarantees via Scale Invariance
• Title（参考訳）: 方向回復としての分類:スケール不変性による保証の改善
• Authors: Suhas Vijaykumar and Claire Lazar Reich
• Abstract要約: 現代の二項分類のアルゴリズムは、計算的トラクタビリティの中間回帰問題に依存している。 分類と回帰の幾何学的区別を確立し、これらの2つの設定のリスクをより正確に関連付けることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern algorithms for binary classification rely on an intermediate regression problem for computational tractability. In this paper, we establish a geometric distinction between classification and regression that allows risk in these two settings to be more precisely related. In particular, we note that classification risk depends only on the direction of the regressor, and we take advantage of this scale invariance to improve existing guarantees for how classification risk is bounded by the risk in the intermediate regression problem. Building on these guarantees, our analysis makes it possible to compare algorithms more accurately against each other and suggests viewing classification as unique from regression rather than a byproduct of it. While regression aims to converge toward the conditional expectation function in location, we propose that classification should instead aim to recover its direction.
• Abstract（参考訳）: 二項分類の現代的なアルゴリズムは、計算的トラクタビリティの中間回帰問題に依存する。 本稿では,これらの2つの設定のリスクをより正確に関連付けることのできる分類と回帰の幾何学的区別を確立する。 特に,分類リスクは回帰器の方向のみに依存し,このスケールの不変性を利用して,中間回帰問題におけるリスクによる分類リスクのバウンドに関する既存の保証を改善することに留意する。 これらの保証に基づいて、我々の分析により、アルゴリズムを互いにより正確に比較することが可能となり、その副産物ではなく、回帰から独自の分類として見ることが提案される。 回帰は位置の条件付き期待関数に収束することを目的としているが、分類は方向を回復することを目的としている。

関連論文リスト

• Generalization bounds for regression and classification on adaptive covering input domains [1.4141453107129398]
  一般化誤差の上限となる一般化境界に着目する。 分類タスクの場合、対象関数を1ホット、ピースワイド定数関数として扱い、誤差測定に0/1ロスを用いる。
  論文  参考訳（メタデータ） (2024-07-29T05:40:08Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Discrete-Constrained Regression for Local Counting Models [27.1177471719278]
  局所数(かんそく、英: local count)は、自然界における連続的な値である。 最近の最先端の手法では、分類タスクとしてのカウントの定式化が回帰よりも優れていることが示されている。 この結果は、不正確な真実の局所的な数によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-07-20T12:54:23Z)
• THOR: Threshold-Based Ranking Loss for Ordinal Regression [17.384197085002686]
  本稿では,インスタンスを順序カテゴリーに分類するための回帰に基づく順序回帰アルゴリズムを提案する。 回帰誤差を最小化することを目的とした新しいしきい値に基づくペアワイズ損失関数を追加し,平均絶対誤差(MAE)を最小化する。 5つの実世界のベンチマーク実験の結果、提案アルゴリズムは最先端の順序回帰アルゴリズムと比較して最良のMAE結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-05-10T13:04:09Z)
• Differentially Private Regression with Unbounded Covariates [19.646866014320608]
  我々は,Last Squares Fitting,Binary Regression,Linear Regressionの古典的回帰設定に対して,差分プライベートなアルゴリズムを提供する。 我々は、ロジスティック回帰と線形分離可能なSVMの基本モデルと広く研究されているモデルを捉え、真の回帰ベクトルの偏りのない推定を学習する。
  論文  参考訳（メタデータ） (2022-02-19T17:31:38Z)
• Selective Regression Under Fairness Criteria [30.672082160544996]
  少数派集団のパフォーマンスは、カバー範囲を減らしながら低下する場合もある。 満足度基準を満たす特徴を構築できれば、そのような望ましくない行動は避けられることを示す。
  論文  参考訳（メタデータ） (2021-10-28T19:05:12Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• Variance Penalized On-Policy and Off-Policy Actor-Critic [60.06593931848165]
  本稿では,平均値と変動値の両方を含むパフォーマンス基準を最適化する,オン・ポリティィおよびオフ・ポリティィ・アクター・クリティカルなアルゴリズムを提案する。 提案手法は, アクタ批判的かつ事前の分散-ペナライゼーションベースラインに匹敵するだけでなく, リターンのばらつきが低いトラジェクトリも生成する。
  論文  参考訳（メタデータ） (2021-02-03T10:06:16Z)
• Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
  順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。 近勾配法はOWL回帰を解くための標準手法として用いられる。 未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
  論文  参考訳（メタデータ） (2020-06-29T23:35:53Z)

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。