Fugu-MT 論文翻訳(概要): Why only Micro-F1? Class Weighting of Measures for Relation Classification

論文の概要: Why only Micro-F1? Class Weighting of Measures for Relation Classification

arxiv url: http://arxiv.org/abs/2205.09460v1
Date: Thu, 19 May 2022 10:33:28 GMT
ステータス: 処理完了
システム内更新日: 2022-05-20 12:09:57.660568
Title: Why only Micro-F1? Class Weighting of Measures for Relation Classification
Title（参考訳）: なぜMicro-F1だけなのか? 関係分類のための尺度のクラス重み付け
Authors: David Harbecke, Yuxuan Chen, Leonhard Hennig, Christoph Alt
Abstract要約: 不均衡なデータセットに対するマイクロやマクロなどの重み付け方式を解析する。重み付け方式の違いによるレポート結果が,モデルの強みや弱みをより強調することを示す。
参考スコア（独自算出の注目度）: 13.925280574174831
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Relation classification models are conventionally evaluated using only a single measure, e.g., micro-F1, macro-F1 or AUC. In this work, we analyze weighting schemes, such as micro and macro, for imbalanced datasets. We introduce a framework for weighting schemes, where existing schemes are extremes, and two new intermediate schemes. We show that reporting results of different weighting schemes better highlights strengths and weaknesses of a model.
Abstract（参考訳）: 関係分類モデルは従来、マイクロf1、マクロf1、aucなどの単一の尺度のみを用いて評価される。本研究では,不均衡データセットに対してマイクロやマクロなどの重み付けスキームを分析する。既存のスキームが極端である重み付けスキームの枠組みと,2つの新しい中間スキームを導入する。異なる重み付けスキームの報告結果が,モデルの強みと弱みをよりよく強調することを示した。

関連論文リスト

Top-K Pairwise Ranking: Bridging the Gap Among Ranking-Based Measures for Multi-Label Classification [120.37051160567277]
本稿では,Top-K Pairwise Ranking(TKPR)という新しい尺度を提案する。一連の分析により、TKPRは既存のランキングベースの尺度と互換性があることが示されている。一方,データ依存縮約法という新しい手法に基づいて,提案手法の急激な一般化を確立する。
論文参考訳（メタデータ） (2024-07-09T09:36:37Z)
Meta-GCN: A Dynamically Weighted Loss Minimization Method for Dealing with the Data Imbalance in Graph Neural Networks [5.285761906707429]
そこで我々は,メタGCNというメタ学習アルゴリズムを提案し,サンプル重み付けを適応的に学習する。我々は,Meta-GCNが最先端フレームワークや他のベースラインを精度で上回ることを示した。
論文参考訳（メタデータ） (2024-06-24T18:59:24Z)
EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文参考訳（メタデータ） (2024-05-23T05:25:45Z)
Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文参考訳（メタデータ） (2022-11-04T21:57:39Z)
The m-connecting imset and factorization for ADMG models [10.839217026568784]
非巡回有向混合グラフ(ADMG)モデルはDAGモデルのマージンを特徴づける。 ADMGモデルは、その複雑さと分析のための統計ツールの不足のために、広く使われていない。我々はADMGによって誘導される独立モデルの代替表現を提供するm-connecting imsetを紹介する。
論文参考訳（メタデータ） (2022-07-18T22:29:15Z)
Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文参考訳（メタデータ） (2021-03-05T09:03:03Z)
Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文参考訳（メタデータ） (2020-10-12T03:27:07Z)
Unravelling the Architecture of Membrane Proteins with Conditional Random Fields [11.321552104966326]
条件ランダム場 (CRF) は, 生物体に関するマイクロレベルの情報を数学的モデルに統合し, マクロレベルの振る舞いを理解するテンプレートを提供する。ベンチマークデータセットと他の28の手法との比較では、CRFモデルが極めて正確な予測につながることが示されている。
論文参考訳（メタデータ） (2020-08-06T05:57:20Z)
MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
論文参考訳（メタデータ） (2020-06-18T07:38:54Z)
The MCC-F1 curve: a performance evaluation technique for binary classification [0.0]
本稿では,ROCとPR解析の欠点に対処するMCC-F1曲線を提案する。 MCC-F1曲線は、不均衡な基底真理であっても、良い分類器と悪い分類器をより明確に区別する。我々はMCC-F1曲線をプロットし、関連するメトリクスを計算するRパッケージを提供する。
論文参考訳（メタデータ） (2020-06-17T15:39:08Z)

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。