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
- Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - Bayesian learning of Causal Structure and Mechanisms with GFlowNets and
Variational Bayes [68.28193418861333]
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) - On the failure of variational score matching for VAE models [3.8073142980733]
本稿では,多様なデータセットやネットワークアーキテクチャ上での破滅的な障害を示す,既存の変分SM目標に対する批判的研究について述べる。
可変オートエンコーダ (VAE) モデルを最適化する際に, 等価な自動エンコード損失から目的に関する理論的知見が直接現れる。
論文 参考訳(メタデータ) (2022-10-24T16:43:04Z) - 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。
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。