Fugu-MT 論文翻訳(概要): On Margins and Generalisation for Voting Classifiers

論文の概要: On Margins and Generalisation for Voting Classifiers

arxiv url: http://arxiv.org/abs/2206.04607v1
Date: Thu, 9 Jun 2022 16:55:37 GMT
ステータス: 処理完了
システム内更新日: 2022-06-10 14:12:58.297489
Title: On Margins and Generalisation for Voting Classifiers
Title（参考訳）: 投票分類器のマージンと一般化について
Authors: Felix Biggs, Valentina Zantedeschi, Benjamin Guedj
Abstract要約: 分類器の有限アンサンブル上での多数投票の一般化特性について検討する。我々は、PAC-ベイズ理論を通じて、マージンベースの一般化境界を証明した。
参考スコア（独自算出の注目度）: 8.728423607404006
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We study the generalisation properties of majority voting on finite ensembles of classifiers, proving margin-based generalisation bounds via the PAC-Bayes theory. These provide state-of-the-art guarantees on a number of classification tasks. Our central results leverage the Dirichlet posteriors studied recently by Zantedeschi et al. [2021] for training voting classifiers; in contrast to that work our bounds apply to non-randomised votes via the use of margins. Our contributions add perspective to the debate on the "margins theory" proposed by Schapire et al. [1998] for the generalisation of ensemble classifiers.
Abstract（参考訳）: 分類器の有限アンサンブル上での多数投票の一般化特性について検討し、PAC-ベイズ理論を通じてマージンに基づく一般化境界を証明する。これらは多くの分類タスクに対して最先端の保証を提供する。最近 zantedeschiらによって研究されたジリクレ後肢を利用した [2021] 投票分類器の訓練; その作業とは対照的に、境界はマージンの使用を通じて非ランダム化された投票に適用される。私たちのコントリビューションは、Schapireらによって提案された「マージン理論」に関する議論に視点を与えます。アンサンブル分類器の一般化のための[1998]。

関連論文リスト

Boosting, Voting Classifiers and Randomized Sample Compression Schemes [14.885182312708196]
複数の弱い学習者を活用して強力な学習者を生み出すことを目的としている。一般化誤差がサンプルサイズに1つの対数依存を含む投票分類器を出力するランダム化ブースティングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-05T12:58:03Z)
A Universal Unbiased Method for Classification from Aggregate Observations [115.20235020903992]
本稿では,任意の損失に対する分類リスクを非バイアスで推定するCFAOの普遍的手法を提案する。提案手法は,非バイアスリスク推定器によるリスクの整合性を保証するだけでなく,任意の損失に対応できる。
論文参考訳（メタデータ） (2023-06-20T07:22:01Z)
Uncertainty in Fairness Assessment: Maintaining Stable Conclusions Despite Fluctuations [4.926395463398194]
本研究では,任意の基準の組み合わせの後方分布を導出するために,ベータ・バイノミカルアプローチを一般化する不確実性事項(UM)フレームワークを提案する。ベイズ法により更新された多項分布を用いて,各人口集団の混同行列をモデル化することを提案する。
論文参考訳（メタデータ） (2023-02-02T13:10:31Z)
Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。固体アンサンブル分類器を構築するためのプール選択戦略が提示される。我々は異常検出手法の不確実性を利用する。
論文参考訳（メタデータ） (2022-12-23T00:50:41Z)
Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文参考訳（メタデータ） (2022-11-26T21:02:09Z)
Unbiased Subclass Regularization for Semi-Supervised Semantic Segmentation [47.533612505477535]
半教師付きセマンティックセグメンテーションは、少量のラベル付き画像と大量の未ラベル画像から学習する。本稿では、クラス不均衡問題を緩和する非バイアス付きサブクラス正規化ネットワーク(USRN)を提案する。
論文参考訳（メタデータ） (2022-03-18T15:53:18Z)
Repairing Regressors for Fair Binary Classification at Any Decision Threshold [8.322348511450366]
同時にすべてのしきい値で公正なパフォーマンスを向上できることを示します。本研究では,異なる保護群に対する分類の分布の類似度を捉える分布パリティの形式的尺度を導入する。我々の主な成果は、最適輸送に基づく新しい後処理アルゴリズムを提案し、分散パリティを確実に最大化することである。
論文参考訳（メタデータ） (2022-03-14T20:53:35Z)
A Generalized Lottery Ticket Hypothesis [2.507029788458086]
本稿では,パラメータ空間の任意の基底を選択することで,「スパーシティ」の概念を緩和する抽選券仮説の一般化を提案する。本研究は, 標準ベースで報告された当初の結果が, より広い範囲で維持されている証拠を提示する。
論文参考訳（メタデータ） (2021-07-03T20:01:24Z)
Learning Stochastic Majority Votes by Minimizing a PAC-Bayes Generalization Bound [15.557653926558638]
分類器の有限アンサンブルに対する多数票の対について検討し、その一般化特性について検討する。ディリクレ分布でインスタンス化し、予測されるリスクに対して閉じた形式と微分可能な表現を可能にする。結果の多数決学習アルゴリズムは、最先端の精度と(非空きな)厳密な境界から恩恵を得る。
論文参考訳（メタデータ） (2021-06-23T16:57:23Z)
M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文参考訳（メタデータ） (2020-04-01T13:21:17Z)
A Sample Selection Approach for Universal Domain Adaptation [94.80212602202518]
普遍シナリオにおける教師なし領域適応の問題について検討する。ソースドメインとターゲットドメインの間で共有されるクラスは、一部のみである。共有クラスのサンプルの同定に有効なスコアリング方式を提案する。
論文参考訳（メタデータ） (2020-01-14T22:28:43Z)

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。