Fugu-MT 論文翻訳(概要): Class Prior Estimation under Covariate Shift -- no Problem?

論文の概要: Class Prior Estimation under Covariate Shift -- no Problem?

arxiv url: http://arxiv.org/abs/2206.02449v1
Date: Mon, 6 Jun 2022 09:20:17 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 15:23:13.514658
Title: Class Prior Estimation under Covariate Shift -- no Problem?
Title（参考訳）: 共変量シフトに基づくクラス優先推定 -- 問題なし?
Authors: Dirk Tasche
Abstract要約: 分類の文脈では、共シフトによって関係するソースとターゲットの分布の性質が崩壊する可能性があることを示す。共シフト下でのクラス事前推定に対する代替手法としての探索アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 3.3504365823045035
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We show that in the context of classification the property of source and target distributions to be related by covariate shift may break down when the information content captured in the covariates is reduced, for instance by discretization of the covariates, dropping some of them, or by any transformation of the covariates even if it is domain-invariant. The consequences of this observation for class prior estimation under covariate shift are discussed. A probing algorithm as alternative approach to class prior estimation under covariate shift is proposed.
Abstract（参考訳）: 分類の文脈では、共変量で取得した情報内容が減少する場合、例えば、共変量の離散化、それらのいくつかを削除したり、たとえそれがドメイン不変であっても共変量の変換によって、共変量と関連するソースおよびターゲット分布の特性が崩壊する可能性があることを示す。共変量シフト下でのクラス先行推定に対するこの観測結果について考察した。共変量シフトに基づくクラス事前推定の代替手法としての探索アルゴリズムを提案する。

関連論文リスト

Proxy Methods for Domain Adaptation [78.03254010884783]
プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
論文参考訳（メタデータ） (2024-03-12T09:32:41Z)
Evidential Uncertainty Quantification: A Variance-Based Perspective [0.43536523356694407]
回帰から分類への分散に基づくアプローチを適応し,クラスレベルでの分類の不確実性を定量化する。クロスドメインデータセットの実験は、分散ベースのアプローチが、アクティブドメイン適応におけるエントロピーベースのデータセットと同等の精度をもたらすだけでなく、より正確な結果をもたらすことを示すために行われた。
論文参考訳（メタデータ） (2023-11-19T16:33:42Z)
TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文参考訳（メタデータ） (2023-10-29T09:54:03Z)
centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-21T10:35:32Z)
Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
論文参考訳（メタデータ） (2022-12-21T18:30:22Z)
Factorizable Joint Shift in Multinomial Classification [3.3504365823045035]
本研究は, 原点(訓練)分布, 対象(試験)事前クラス確率, 特徴の目標辺縁分布の観点から, 分解可能な関節シフトの表現を導出する。本論文の他の結果には、一般データセットシフトと分解可能な関節シフトの下での後方クラス確率の補正公式が含まれる。
論文参考訳（メタデータ） (2022-07-29T07:21:44Z)
Towards Backwards-Compatible Data with Confounded Domain Adaptation [0.0]
一般化ラベルシフト(GLS)を変更することで、汎用データの後方互換性を実現する。本稿では,ソースとターゲット条件分布のばらつきを最小限に抑えた新しい枠組みを提案する。ガウス逆Kulback-Leibler分散と最大平均誤差を用いた具体的実装を提供する。
論文参考訳（メタデータ） (2022-03-23T20:53:55Z)
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)
A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文参考訳（メタデータ） (2020-07-08T11:35:47Z)
Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。単純な極大解は様々な微分可能なモデルに適用できる。
論文参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。