論文の概要: Learning Acceptance Regions for Many Classes with Anomaly Detection

• arxiv url: http://arxiv.org/abs/2209.09963v1
• Date: Tue, 20 Sep 2022 19:40:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 15:32:55.012496
• Title: Learning Acceptance Regions for Many Classes with Anomaly Detection
• Title（参考訳）: 異常検出を含む多くの授業に対する受入領域の学習
• Authors: Zhou Wang, Xingye Qiao
• Abstract要約: 既存の集合値分類法の多くは、トレーニングデータに現れない新しいクラスがテストデータに現れる可能性を考慮していない。 テストデータに新しいクラスが存在する可能性を考慮しつつ,受入領域を推定する汎用予測セット(GPS)手法を提案する。 従来の手法とは異なり,提案手法は精度,効率,異常検出率のバランスが良好である。
• 参考スコア（独自算出の注目度）: 19.269724165953274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Set-valued classification, a new classification paradigm that aims to identify all the plausible classes that an observation belongs to, can be obtained by learning the acceptance regions for all classes. Many existing set-valued classification methods do not consider the possibility that a new class that never appeared in the training data appears in the test data. Moreover, they are computationally expensive when the number of classes is large. We propose a Generalized Prediction Set (GPS) approach to estimate the acceptance regions while considering the possibility of a new class in the test data. The proposed classifier minimizes the expected size of the prediction set while guaranteeing that the class-specific accuracy is at least a pre-specified value. Unlike previous methods, the proposed method achieves a good balance between accuracy, efficiency, and anomaly detection rate. Moreover, our method can be applied in parallel to all the classes to alleviate the computational burden. Both theoretical analysis and numerical experiments are conducted to illustrate the effectiveness of the proposed method.
• Abstract（参考訳）: 集合値分類は、観察対象のすべての可視クラスを特定することを目的とした新しい分類パラダイムであり、全てのクラスに対する受容領域を学習することで得られる。 既存の集合値分類法の多くは、トレーニングデータに存在しない新しいクラスがテストデータに現れる可能性を考慮していない。 さらに、クラス数が大きくなると計算コストが高くなる。 テストデータに新しいクラスが存在する可能性を考慮しつつ、受入領域を推定するための一般化予測セット(gps)手法を提案する。 提案する分類器は、予測セットの期待されるサイズを最小化し、クラス固有の精度が少なくとも予め定められた値であることを保証する。 従来の手法とは異なり,提案手法は精度,効率,異常検出率のバランスが良好である。 さらに,計算負担を軽減するために,全てのクラスに並列に適用することができる。 提案手法の有効性を説明するために, 理論解析および数値実験を行った。

関連論文リスト

• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• Classification Tree-based Active Learning: A Wrapper Approach [4.706932040794696]
  本稿では,木構造にサンプリングプロセスを整理し,分類のためのラッパー能動的学習法を提案する。 ラベル付き標本の初期集合上に構築された分類木は、空間を低エントロピー領域に分解すると考えられる。 この適応は、既存のアクティブラーニング手法よりも大幅に向上することが証明されている。
  論文  参考訳（メタデータ） (2024-04-15T17:27:00Z)
• Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
  類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。 クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
  論文  参考訳（メタデータ） (2023-06-15T17:59:02Z)
• 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)
• An Upper Bound for the Distribution Overlap Index and Its Applications [18.481370450591317]
  本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。 提案した境界は、一級分類と領域シフト解析においてその値を示す。 私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
  論文  参考訳（メタデータ） (2022-12-16T20:02:03Z)
• 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)
• Multi-class Classification with Fuzzy-feature Observations: Theory and Algorithms [36.810603503167755]
  我々は,MCIMO(Multi-class classification with Imprecise Observation)と呼ばれる新しい現実的問題に対処する新しい枠組みを提案する。 まず,ファジィラデマッハの複雑性に基づくMCIMO問題の理論的解析を行う。 そこで,提案した課題を解決するために,サポートベクタマシンとニューラルネットワークに基づく2つの実用的なアルゴリズムを構築した。
  論文  参考訳（メタデータ） (2022-06-09T07:14:00Z)
• 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)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)
• 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)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)

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。