論文の概要: Fuzzy granular approximation classifier

• arxiv url: http://arxiv.org/abs/2206.01240v1
• Date: Thu, 2 Jun 2022 18:28:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 13:59:25.348782
• Title: Fuzzy granular approximation classifier
• Title（参考訳）: ファジィ粒度近似分類器
• Authors: Marko Palangeti\'c, Chris Cornelis, Salvatore Greco, Roman S{\l}owi\'nski
• Abstract要約: ファジィグラニュラー近似(FGAC)が新たに導入された。 最大のアドバンテージは、そのローカルな透明性だ。 FGACは、他の局所的透明MLモデルと類似した予測性能を持つが、その透明性は特定の場合において優れていると結論付けている。
• 参考スコア（独自算出の注目度）: 2.7222301668137483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, a new Fuzzy Granular Approximation Classifier (FGAC) is introduced. The classifier is based on the previously introduced concept of the granular approximation and its multi-class classification case. The classifier is instance-based and its biggest advantage is its local transparency i.e., the ability to explain every individual prediction it makes. We first develop the FGAC for the binary classification case and the multi-class classification case and we discuss its variation that includes the Ordered Weighted Average (OWA) operators. Those variations of the FGAC are then empirically compared with other locally transparent ML methods. At the end, we discuss the transparency of the FGAC and its advantage over other locally transparent methods. We conclude that while the FGAC has similar predictive performance to other locally transparent ML models, its transparency can be superior in certain cases.
• Abstract（参考訳）: 本稿では,新しいファジィ粒度近似分類器(FGAC)を紹介する。 分類器は、以前に導入されたグラニュラー近似の概念とその多クラス分類ケースに基づいている。 分類器はインスタンスベースであり、その最大の利点は、その局所的な透明性である。 まず,二項分類ケースと多クラス分類ケースのfgacを開発し,順序重み付き平均 (owa) 演算子を含むその変動について考察する。 FGACのこれらのバリエーションは、他の局所的なML手法と経験的に比較される。 最後に、FGACの透明性と、他の局所的な透過的手法に対する優位性について論じる。 FGACは、他の局所的透明MLモデルと類似した予測性能を持つが、その透明性は特定の場合において優れていると結論付けている。

関連論文リスト

• Adaptive Margin Global Classifier for Exemplar-Free Class-Incremental Learning [3.4069627091757178]
  既存の手法は主にバイアス学習を扱うことに焦点を当てている。 本研究では,データ不均衡やサンプリングといった既存手法のバイアス要因を回避するために,分散ベースグローバル(DBGC)を導入する。 さらに重要なのは、古いクラスの妥協された分布は、単純な操作、分散(VE)によってシミュレートされることだ。 この損失は、Adaptive Margin Softmax Cross Entropy (AMarX)と等価であることが証明されている。
  論文  参考訳（メタデータ） (2024-09-20T07:07:23Z)
• The Gaussian Discriminant Variational Autoencoder (GdVAE): A Self-Explainable Model with Counterfactual Explanations [6.741417019751439]
  視覚的対物的説明(CF)法は、画像の概念を変更し、予測を事前に定義された結果に変更する。 本稿では,条件付き変分オートエンコーダ(CVAE)とCF説明の統合に基づく自己説明可能なモデルであるGdVAEを紹介する。 CFsの整合性は、説明関数で潜在空間を正規化することによって改善される。
  論文  参考訳（メタデータ） (2024-09-19T17:58:15Z)
• A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
  我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。 本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-07-03T08:54:45Z)
• MCPNet: An Interpretable Classifier via Multi-Level Concept Prototypes [24.28807025839685]
  我々は、低レベルの特徴の意思決定プロセスに関する洞察が欠如している説明は、完全に忠実でも有用でもないと論じる。 本稿では,クラス認識概念分布(CCD)の損失を通じて,分類目的のマルチレベル概念のプロトタイプ分布を学習・調整する新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-13T11:13:56Z)
• CLIMAX: An exploration of Classifier-Based Contrastive Explanations [5.381004207943597]
  我々は,ブラックボックスの分類を正当化する対照的な説明を提供する,ポストホックモデルXAI手法を提案する。 CLIMAXと呼ばれる手法は,局所的な分類法に基づく。 LIME, BayLIME, SLIMEなどのベースラインと比較して, 一貫性が向上することを示す。
  論文  参考訳（メタデータ） (2023-07-02T22:52:58Z)
• On the rate of convergence of a classifier based on a Transformer encoder [55.41148606254641]
  最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。 この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
  論文  参考訳（メタデータ） (2021-11-29T14:58:29Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
  一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。 近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。 GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
  論文  参考訳（メタデータ） (2020-09-01T09:12:31Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)

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。