論文の概要: Generalized Likelihood Ratio Test With One-Class Classifiers
- arxiv url: http://arxiv.org/abs/2210.12494v1
- Date: Sat, 22 Oct 2022 16:36:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 15:23:42.798874
- Title: Generalized Likelihood Ratio Test With One-Class Classifiers
- Title(参考訳): 単クラス分類器を用いた一般化擬似比検定
- Authors: Francesco Ardizzon and Stefano Tomasin
- Abstract要約: 一級分類(英: One-class classification, OCC)とは、観測されたサンプルが対象のクラスに属するか否かを決定する問題である。
マルチ層パーセプトロンニューラルネットワーク(NN)とサポートベクターマシン(SVM)モデルの両方を考察する。
適切な仮定の下では、モデルが(大きなデータセットで)一般化可能性比検定(GLRT)に収束することが証明される。
- 参考スコア(独自算出の注目度): 9.937090317971313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One-class classification (OCC) is the problem of deciding whether an observed
sample belongs to a target class or not. We consider the problem of learning an
OCC model when the dataset available at the learning stage contains only
samples from the target class. We aim at obtaining a classifier that performs
as the generalized likelihood ratio test (GLRT), which is a well-known and
provably optimal (under specific assumptions) classifier when the statistic of
the target class is available. To this end, we consider both the multilayer
perceptron neural network (NN) and the support vector machine (SVM) models.
They are trained as two-class classifiers using an artificial dataset for the
alternative class, obtained by generating random samples, uniformly over the
domain of the target-class dataset. We prove that, under suitable assumptions,
the models converge (with a large dataset) to the GLRT. Moreover, we show that
the one-class least squares SVM (OCLSSVM) at convergence performs as the GLRT,
with a suitable transformation function. Lastly, we compare the obtained
solutions with the autoencoder (AE) classifier, which does not in general
provide the GLRT
- Abstract(参考訳): 1クラス分類 (one-class classification, occ) は、観測されたサンプルが対象クラスに属するかどうかを決定する問題である。
我々は、学習段階で利用可能なデータセットが対象クラスからのサンプルのみを含む場合、OCCモデルを学習する問題を考える。
対象クラスの統計値が利用可能である場合に、よく知られ、証明可能な(特定の仮定の下で)分類器である一般化可能性比検定(GLRT)を行う分類器を得る。
この目的のために、マルチ層パーセプトロンニューラルネットワーク(NN)とサポートベクターマシン(SVM)モデルの両方を検討する。
代替クラスのための人工データセットを使用して、2つのクラス分類器として訓練され、ターゲットクラスのデータセットのドメインに対して一様にランダムなサンプルを生成して得られる。
適切な仮定の下で、モデルが(大きなデータセットと共に)gltに収束することを証明する。
さらに,収束時の最小二乗 SVM (OCLSSVM) が GLRT として機能し,適切な変換関数を持つことを示す。
最後に、得られた解を、GLRTを提供しないオートエンコーダ(AE)分類器と比較する。
関連論文リスト
- Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。
本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文 参考訳(メタデータ) (2023-06-18T08:46:06Z) - Upcycling Models under Domain and Category Shift [95.22147885947732]
グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。
我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。
注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
論文 参考訳(メタデータ) (2023-03-13T13:44:04Z) - 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) - Self-Evolutionary Clustering [1.662966122370634]
既存のディープクラスタリング手法の多くは、単純な距離比較に基づいており、手作り非線形マッピングによって生成されたターゲット分布に大きく依存している。
新たなモジュール型自己進化クラスタリング(Self-EvoC)フレームワークが構築され,自己管理的な分類によってクラスタリング性能が向上する。
このフレームワークは、サンプルアウトレイラを効率よく識別し、自己監督の助けを借りて、より良い目標分布を生成することができる。
論文 参考訳(メタデータ) (2022-02-21T19:38:18Z) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳(メタデータ) (2021-06-03T14:59:59Z) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-04-19T12:26:26Z) - Multiclass Anomaly Detection in GI Endoscopic Images using Optimized
Deep One-class Classification in an Imbalanced Dataset [0.0]
ワイヤレスカプセル内視鏡は、医師が消化管を非侵襲的に検査するのに役立つ。
KID2やKvasirのような利用可能なデータセットの多くは、効果的な人工知能(AI)システムのトレーニングを難しくする不均衡な問題に悩まされている。
本研究では,一類分類器のアンサンブルを用いて異常を検出する。
論文 参考訳(メタデータ) (2021-03-15T16:28:42Z) - Minimum Variance Embedded Auto-associative Kernel Extreme Learning
Machine for One-class Classification [1.4146420810689422]
VAAKELMは、自己連想型カーネル極端学習マシンの拡張である。
アーキテクチャ内に最小分散情報を埋め込んで、クラス内の分散を減らす。
これは、一級分類に対する再構成に基づくアプローチに従い、再構成エラーを最小限にする。
論文 参考訳(メタデータ) (2020-11-24T17:00:30Z) - An ensemble of Density based Geometric One-Class Classifier and Genetic
Algorithm [10.67799545071671]
1つのクラス分類は、1つのクラスと外れ値のみからなるデータセットを考える。
より精巧な間隔生成法を用いた密度(1-HRD_d)に基づく1クラスハイパー矩形記述子
1-HRD_dを系統的に生成するための染色体構造と遺伝的演算子からなる遺伝的アルゴリズム(GA)。
論文 参考訳(メタデータ) (2020-10-02T04:22:03Z) - A Boundary Based Out-of-Distribution Classifier for Generalized
Zero-Shot Learning [83.1490247844899]
Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。
本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。
我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
論文 参考訳(メタデータ) (2020-08-09T11:27:19Z)
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。