Fugu-MT 論文翻訳(概要): Confusion Matrices and Accuracy Statistics for Binary Classifiers Using Unlabeled Data: The Diagnostic Test Approach

論文の概要: Confusion Matrices and Accuracy Statistics for Binary Classifiers Using Unlabeled Data: The Diagnostic Test Approach

arxiv url: http://arxiv.org/abs/2208.12664v1
Date: Fri, 26 Aug 2022 13:34:01 GMT
ステータス: 処理完了
システム内更新日: 2022-08-29 12:49:31.441127
Title: Confusion Matrices and Accuracy Statistics for Binary Classifiers Using Unlabeled Data: The Diagnostic Test Approach
Title（参考訳）: ラベルなしデータを用いたバイナリ分類器の融合行列と精度統計:診断試験アプローチ
Authors: Richard Evans
Abstract要約: 医学研究者は、比較のためのゴールドスタンダードテストなしでバイナリ医療診断検査の感度と特異性を推定する問題を解決した。本稿では,教師付きあるいは教師なしのバイナリ分類器の混乱行列と精度統計をラベル付きデータに基づいて推定するために,診断試験ソリューションの修正方法について述べる。
参考スコア（独自算出の注目度）: 1.027974860479791
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical researchers have solved the problem of estimating the sensitivity and specificity of binary medical diagnostic tests without gold standard tests for comparison. That problem is the same as estimating confusion matrices for classifiers on unlabeled data. This article describes how to modify the diagnostic test solutions to estimate confusion matrices and accuracy statistics for supervised or unsupervised binary classifiers on unlabeled data.
Abstract（参考訳）: 医学研究者は、比較のためのゴールドスタンダードテストなしでバイナリ医療診断検査の感度と特異性を推定する問題を解決した。この問題は、ラベルなしデータに対する分類器の混乱行列の推定と同じである。本稿では,教師付きまたは教師なしバイナリ分類器の混乱行列および精度統計をラベルなしデータ上で推定するために,診断テストソリューションを変更する方法について述べる。

関連論文リスト

ITI-IQA: a Toolbox for Heterogeneous Univariate and Multivariate Missing Data Imputation Quality Assessment [0.0]
ITI-IQAは、様々な計算手法の信頼性を評価するために設計されたユーティリティのセットである。ツールボックスには、測定をチェックするための診断方法とグラフィカルツールのスイートも含まれている。
論文参考訳（メタデータ） (2024-07-16T14:26:46Z)
Discriminative calibration: Check Bayesian computation from simulations and flexible classifier [23.91355980551754]
我々は,データからテスト統計を学習するフレキシブルな分類手法により,限界ランクテストを置き換えることを提案する。ニューラルネットワークと統計的に着想を得た特徴を用いた自動実装について説明するとともに,数値および実データ実験による検証を行う。
論文参考訳（メタデータ） (2023-05-24T00:18:48Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
How Does Pseudo-Labeling Affect the Generalization Error of the Semi-Supervised Gibbs Algorithm? [73.80001705134147]
擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
論文参考訳（メタデータ） (2022-10-15T04:11:56Z)
Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
本研究の目的は、希少な疾患を患っているk人の集団を同定することである。個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
論文参考訳（メタデータ） (2022-06-15T16:38:50Z)
Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文参考訳（メタデータ） (2022-02-25T12:20:04Z)
Binary Classification for High Dimensional Data using Supervised Non-Parametric Ensemble Method [3.1871776847712523]
多発性嚢胞性卵巣症候群のデータセットが利用可能であり、女性では内分泌疾患と呼ばれる。非Parametric Supervised Ensemble 機械学習手法は、早期の障害の予測に使用できる。
論文参考訳（メタデータ） (2022-02-15T23:06:49Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)
How to Control the Error Rates of Binary Classifiers [0.0]
本稿では,二項分類を統計的テストに変換し,p値の分類を計算し,対象の誤差率を制限する方法を示す。特に、二項分類器を統計検査に変換し、p-値の分類を計算し、対象の誤差率を制限する方法を示す。
論文参考訳（メタデータ） (2020-10-21T14:43:14Z)
Data-Driven Fault Diagnosis Analysis and Open-Set Classification of Time-Series Data [1.0152838128195467]
データ駆動解析とオープンセット分類のためのフレームワークが,故障診断への応用のために開発された。不均衡なデータセット、クラスオーバーラップ、未知の障害を処理できるデータ駆動型障害分類アルゴリズムが提案されている。トレーニングデータに既知の故障認識の情報が含まれている場合, 故障の大きさを推定するアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-10T09:53:13Z)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。