Fugu-MT 論文翻訳(概要): Factorizable Joint Shift in Multinomial Classification

論文の概要: Factorizable Joint Shift in Multinomial Classification

arxiv url: http://arxiv.org/abs/2207.14514v1
Date: Fri, 29 Jul 2022 07:21:44 GMT
ステータス: 処理完了
システム内更新日: 2022-08-01 12:38:55.298366
Title: Factorizable Joint Shift in Multinomial Classification
Title（参考訳）: 多項分類における因子可能なジョイントシフト
Authors: Dirk Tasche
Abstract要約: 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。
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: Factorizable joint shift was recently proposed as a type of dataset shift for which the characteristics can be estimated from observed data. For the multinomial (multi-class) classification setting, we derive a representation of factorizable joint shift in terms of the source (training) distribution, the target (test) prior class probabilities and the target marginal distribution of the features. On the basis of this result, we propose alternatives to joint importance aligning, at the same time pointing out the limitations encountered when making an assumption of factorizable joint shift. Other results of the paper include correction formulae for the posterior class probabilities both under general dataset shift and factorizable joint shift. In addition, we investigate the consequences of assuming factorizable joint shift for the bias caused by sample selection.
Abstract（参考訳）: 因子可能なジョイントシフトは、観測データから特性を推定できるデータセットシフトの一種として最近提案されている。多項(多級)分類設定の場合、ソース(訓練)分布、ターゲット(テスト)事前クラス確率、および特徴の目標限界分布という観点から、因子可能なジョイントシフトの表現を導出する。この結果に基づき,因子可能な関節シフトを仮定する際の限界を指摘しながら,協調的重要度調整の代替案を提案する。その他の結果として,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式がある。さらに, 試料選択によるバイアスに対する因子分解性関節移行の影響について検討した。

関連論文リスト

Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。因果表現の識別可能性に寄与する分布シフトのタイプを決定する。本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文参考訳（メタデータ） (2024-03-23T04:13:55Z)
Invariance assumptions for class distribution estimation [1.3053649021965603]
本研究では,データセットシフトによるクラス分布推定の問題について検討する。トレーニングデータセットでは、機能とクラスラベルの両方が観察され、テストデータセットでは、機能のみが観察される。
論文参考訳（メタデータ） (2023-11-28T20:57:10Z)
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)
Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
論文参考訳（メタデータ） (2022-10-13T20:46:42Z)
Bounding Counterfactuals under Selection Bias [60.55840896782637]
本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
論文参考訳（メタデータ） (2022-07-26T10:33:10Z)
Domain Adaptation with Factorizable Joint Shift [18.95213249351176]
本稿では、サンプリングバイアスの共存を扱うために、新しい仮定であるFacterizable Joint Shift (FJS)を提案する。 FJSは2つの要因間のバイアスの独立を前提としている。また,共同重要度推定器を得るための識別学習目的であるJA(Joint Importance Aligning)を提案する。
論文参考訳（メタデータ） (2022-03-06T07:58:51Z)
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)
Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文参考訳（メタデータ） (2021-07-09T19:48:23Z)
Factoring Multidimensional Data to Create a Sophisticated Bayes Classifier [0.0]
分類データセットの与えられた因子化の限界可能性を計算するための明示的な公式を導出する。これらの確率は、すべての可能な因子分解を順序付けし、データセットが引き出される全体の分布を分解する「最良の」方法を選択するのに使うことができる。
論文参考訳（メタデータ） (2021-05-11T16:34:12Z)
Recovery of Joint Probability Distribution from one-way marginals: Low rank Tensors and Random Projections [2.9929093132587763]
統合確率質量関数(PMF)推定は、基本的な機械学習問題である。本研究では、トモグラフィーのアイデアを用いたPMF推定問題に、データのランダムな投影をリンクする。一方向マージンからテンソルの因子を回復するための新しいアルゴリズムを提供し、様々な合成データセットと実世界のデータセットを横断してテストし、推定された分類モデル上でMAP推論を行う。
論文参考訳（メタデータ） (2021-03-22T14:00:57Z)
Information-theoretic Feature Selection via Tensor Decomposition and Submodularity [38.05393186002834]
本稿では,全ての変数の結合PMFの低ランクテンソルモデルを導入し,複雑性を緩和し,与えられた特徴量の分類性能を最大化する手法として間接的ターゲットを提案する。原目標変数の代わりにネイブベイズモデルの潜伏変数を間接的に予測することにより、濃度制約を受ける単調部分モジュラ函数として特徴選択問題を定式化することができる。
論文参考訳（メタデータ） (2020-10-30T10:36:46Z)

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。