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) - 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) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - 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) - Classification as Direction Recovery: Improved Guarantees via Scale
Invariance [0.0]
現代の二項分類のアルゴリズムは、計算的トラクタビリティの中間回帰問題に依存している。
分類と回帰の幾何学的区別を確立し、これらの2つの設定のリスクをより正確に関連付けることができる。
論文 参考訳(メタデータ) (2022-05-17T21:23:04Z) - 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。
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。