論文の概要: Classifying with Uncertain Data Envelopment Analysis

• arxiv url: http://arxiv.org/abs/2209.01052v1
• Date: Fri, 2 Sep 2022 13:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 13:06:09.639126
• Title: Classifying with Uncertain Data Envelopment Analysis
• Title（参考訳）: 不確実データ包絡分析による分類
• Authors: Casey Garner and Allen Holder
• Abstract要約: 本稿では,不完全データの現実を前提とした新しい分類手法を提案する。 本モデルでは、不確実なデータ包絡分析を用いて、公平な効率に対する分類の近接性を定義する。 本研究は, ダウ・ジョーンズ工業平均の30株をパフォーマンスレベルに分類し, 前立腺治療を臨床効果カテゴリーに分類することで結論付けた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifications organize entities into categories that identify similarities within a category and discern dissimilarities among categories, and they powerfully classify information in support of analysis. We propose a new classification scheme premised on the reality of imperfect data. Our computational model uses uncertain data envelopment analysis to define a classification's proximity to equitable efficiency, which is an aggregate measure of intra-similarity within a classification's categories. Our classification process has two overriding computational challenges, those being a loss of convexity and a combinatorially explosive search space. We overcome the first by establishing lower and upper bounds on the proximity value, and then by searching this range with a first-order algorithm. We overcome the second by adapting the p-median problem to initiate our exploration, and by then employing an iterative neighborhood search to finalize a classification. We conclude by classifying the thirty stocks in the Dow Jones Industrial average into performant tiers and by classifying prostate treatments into clinically effectual categories.
• Abstract（参考訳）: 分類は、エンティティをカテゴリ内の類似性を識別し、カテゴリ間の相違を識別するカテゴリに分類し、分析の支援により情報を強力に分類する。 我々は,不完全なデータの実現を前提とした新しい分類手法を提案する。 我々の計算モデルは、不確実なデータ包絡分析を用いて、分類のカテゴリ内の相似性の集合測度である等式効率に近い分類を定義する。 私たちの分類プロセスには、凸性の喪失と複合的に爆発的な探索空間という2つの計算上の課題があります。 近接値の下位と上位の境界を定め, 1次アルゴリズムを用いてこの範囲を探索することにより, 第一項を克服する。 p-median問題に適応して探索を開始し、反復的な近傍探索を用いて分類を確定することで、第2の課題を克服する。 本研究は, ダウジョーンズ工業平均の30株をパフォーマンスレベルに分類し, 前立腺治療を臨床効果カテゴリーに分類することで結論付けた。

関連論文リスト

• Learn to Categorize or Categorize to Learn? Self-Coding for Generalized Category Discovery [49.1865089933055]
  テスト時に未知のカテゴリを発見できる新しい,効率的かつ自己管理手法を提案する。 このアプローチの健全な特徴は、個々のデータインスタンスに最小長のカテゴリコードの割り当てである。 試行錯誤による評価は, 提案手法の有効性を実証するものである。
  論文  参考訳（メタデータ） (2023-10-30T17:45:32Z)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Uncertainty-based Network for Few-shot Image Classification [17.912365063048263]
  相互情報の助けを借りて分類結果の不確実性をモデル化する不確実性ベースネットワークを提案する。 不確実性に基づくネットワークは,最先端手法と比較して,分類精度に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2022-05-17T07:49:32Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• On Clustering Categories of Categorical Predictors in Generalized Linear Models [0.0]
  本稿では,分類予測器の存在下での一般化線形モデルの複雑性を低減する手法を提案する。 各カテゴリがダミー変数で表される従来のワンホット符号化は、無駄で解釈が難しく、過度に適合する傾向がある。 本稿では,カテゴリをクラスタリングすることでカテゴリ予測器の表現を小さくすることで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2021-10-19T15:36:35Z)
• A Framework for Multi-View Classification of Features [6.660458629649826]
  データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。 本研究では,人間の複数視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-02T16:27:43Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Deep Hierarchical Classification for Category Prediction in E-commerce System [16.6932395109085]
  電子商取引システムでは、カテゴリ予測は与えられたテキストのカテゴリを自動的に予測する。 ニューラルネットワークにマルチスケール階層情報を組み込んだDeep Hierarchical Classificationフレームワークを提案する。 また、階層的予測損失を罰する新たな複合損失関数も定義する。
  論文  参考訳（メタデータ） (2020-05-14T02:29:14Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。