Fugu-MT 論文翻訳(概要): Minimax Classification under Concept Drift with Multidimensional Adaptation and Performance Guarantees

論文の概要: Minimax Classification under Concept Drift with Multidimensional Adaptation and Performance Guarantees

arxiv url: http://arxiv.org/abs/2205.15942v1
Date: Tue, 31 May 2022 16:42:51 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 13:31:22.908822
Title: Minimax Classification under Concept Drift with Multidimensional Adaptation and Performance Guarantees
Title（参考訳）: 多次元適応と性能保証による概念ドリフト下のミニマックス分類
Authors: Ver\'onica \'Alvarez, Santiago Mazuelas, and Jose A. Lozano
Abstract要約: 本稿では,多次元時間変化を考慮した適応型最小リスク分類器(AMRC)を提案する。加えて、従来の手法とは異なり、AMRCは計算可能な厳密な性能保証を提供することができる。複数のベンチマークデータセットの実験では、最先端技術と提示された性能保証の信頼性と比較して、AMRCの分類改善が示されている。
参考スコア（独自算出の注目度）: 2.752817022620644
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The statistical characteristics of instance-label pairs often change with time in practical scenarios of supervised classification. Conventional learning techniques adapt to such concept drift accounting for a scalar rate of change by means of a carefully chosen learning rate, forgetting factor, or window size. However, the time changes in common scenarios are multidimensional, i.e., different statistical characteristics often change in a different manner. This paper presents adaptive minimax risk classifiers (AMRCs) that account for multidimensional time changes by means of a multivariate and high-order tracking of the time-varying underlying distribution. In addition, differently from conventional techniques, AMRCs can provide computable tight performance guarantees. Experiments on multiple benchmark datasets show the classification improvement of AMRCs compared to the state-of-the-art and the reliability of the presented performance guarantees.
Abstract（参考訳）: インスタンスラベル対の統計的特性は、教師付き分類の実用的なシナリオにおいて時間とともに変化する。従来の学習手法は、注意深く選択された学習率、忘れる要因、ウィンドウサイズによって変化のスカラー率を計算した、このような概念ドリフトに適応する。しかし、共通シナリオにおける時間変化は多次元的、すなわち異なる統計特性は、しばしば異なる方法で変化する。本稿では,多変量分布と高次追跡による多次元時間変化を考慮した適応最小リスク分類器(AMRC)を提案する。加えて、従来の手法とは異なり、AMRCは計算可能な厳密な性能保証を提供することができる。複数のベンチマークデータセットにおける実験は、amrcの分類の改善と、提示された性能保証の信頼性を示している。

関連論文リスト

Quantifying Uncertainty and Variability in Machine Learning: Confidence Intervals for Quantiles in Performance Metric Distributions [0.17265013728931003]
マシンラーニングモデルは、信頼性と堅牢性が重要であるアプリケーションで広く使用されている。モデル評価は、しばしば、モデルパフォーマンスの固有の変数をキャプチャできないパフォーマンスメトリクスの単一ポイント推定に依存します。この貢献は、そのような分布を分析するために量子と信頼区間を使うことを探求し、モデルの性能とその不確実性についてより完全な理解を提供する。
論文参考訳（メタデータ） (2025-01-28T13:21:34Z)
An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
論文参考訳（メタデータ） (2024-12-16T03:21:20Z)
Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification [3.8305310459921587]
マルチSpaCEは、時系列データの近接性、疎性、可視性、整合性をバランスさせる。常に完全な妥当性を達成し、既存の方法と比較して優れたパフォーマンスを提供する。
論文参考訳（メタデータ） (2024-12-14T09:21:44Z)
Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-09T13:26:21Z)
Benchmarking Test-Time Adaptation against Distribution Shifts in Image Classification [77.0114672086012]
テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
論文参考訳（メタデータ） (2023-07-06T16:59:53Z)
Dynamic Interpretable Change Point Detection [9.879634139205569]
TiVaCPDは、時間変化グラフラッソ(Time-Varying Graphical Lasso)を使用して、時間とともに多次元特徴間の相関パターンの変化を特定するアプローチである。各種CPの同定・特徴化におけるTiVaCPDの性能評価を行い,本手法が実世界のCPDデータセットにおける最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-11-08T04:04:56Z)
Adaptive Dimension Reduction and Variational Inference for Transductive Few-Shot Classification [2.922007656878633]
適応次元の削減によりさらに改善された変分ベイズ推定に基づく新しいクラスタリング法を提案する。提案手法は,Few-Shotベンチマークにおける現実的非バランスなトランスダクティブ設定の精度を大幅に向上させる。
論文参考訳（メタデータ） (2022-09-18T10:29:02Z)
Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
論文参考訳（メタデータ） (2021-12-10T20:46:13Z)
When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。多様な分類課題にまたがってその効果を実証的に示す。
論文参考訳（メタデータ） (2021-09-28T02:55:42Z)
Trusted Multi-View Classification [76.73585034192894]
本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
論文参考訳（メタデータ） (2021-02-03T13:30:26Z)
Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
時系列データは、様々な現実世界のアプリケーションで広く使われている。このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
論文参考訳（メタデータ） (2020-11-23T19:16:46Z)

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。