論文の概要: An Extension of Fisher's Criterion: Theoretical Results with a Neural Network Realization

• arxiv url: http://arxiv.org/abs/2212.09225v1
• Date: Mon, 19 Dec 2022 03:29:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 15:25:59.427327
• Title: An Extension of Fisher's Criterion: Theoretical Results with a Neural Network Realization
• Title（参考訳）: Fisher's Criterionの拡張:ニューラルネットワークの実現による理論的結果
• Authors: Ibrahim Alsolami and Tomoki Fukai
• Abstract要約: Fisherの基準は、特徴選択のための機械学習で広く使われているツールである。 フィッシャーの基準の挑戦的な制限は、クラス条件分布の平均値が互いに近い場合、性能が悪くなることである。 この制限を克服するために、フィッシャーの基準の拡張を提案する。
• 参考スコア（独自算出の注目度）: 3.04585143845864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fisher's criterion is a widely used tool in machine learning for feature selection. For large search spaces, Fisher's criterion can provide a scalable solution to select features. A challenging limitation of Fisher's criterion, however, is that it performs poorly when mean values of class-conditional distributions are close to each other. Motivated by this challenge, we propose an extension of Fisher's criterion to overcome this limitation. The proposed extension utilizes the available heteroscedasticity of class-conditional distributions to distinguish one class from another. Additionally, we describe how our theoretical results can be casted into a neural network framework, and conduct a proof-of-concept experiment to demonstrate the viability of our approach to solve classification problems.
• Abstract（参考訳）: Fisherの基準は、特徴選択のための機械学習で広く使われているツールである。 大きな検索スペースの場合、fisherの基準は、機能を選択するためのスケーラブルなソリューションを提供することができる。 しかし、フィッシャーの基準の挑戦的な制限は、クラス条件分布の平均値が互いに近い場合、性能が低いことである。 この課題に触発され、この制限を克服するためのフィッシャーの基準の拡張を提案する。 提案した拡張は,クラス条件分布の異種性を利用して,あるクラスを別のクラスと区別する。 さらに、我々の理論的結果をニューラルネットワークフレームワークにキャストし、概念実証実験を行い、分類問題を解くためのアプローチの可能性を実証する。

関連論文リスト

• Optimal Projections for Classification with Naive Bayes [5.953513005270837]
  本研究では,クラス条件密度の因子化のための代替的基礎を得るという課題について検討する。 この問題を射影探索として定式化し, 分類を行う最適線形射影を求める。 提案手法は、他の一般的な確率的判別分析モデルよりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2024-09-09T14:05:30Z)
• Simple and Interpretable Probabilistic Classifiers for Knowledge Graphs [0.0]
  本稿では,単純な信念ネットワークの学習に基づく帰納的アプローチについて述べる。 このようなモデルを(確率的な)公理(あるいは規則)に変換する方法を示す。
  論文  参考訳（メタデータ） (2024-07-09T17:05:52Z)
• 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)
• 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)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)
• The continuous categorical: a novel simplex-valued exponential family [23.983555024375306]
  単純な値を持つデータに対する標準的な選択は、バイアスや数値問題など、いくつかの制限に悩まされていることを示す。 我々は,これらの制約を,単純度値データモデリングのための新しい指数関数列を導入することによって解決する。 ディリクレや他の典型的な選択とは異なり、連続な圏は確率的損失関数をよく表す。
  論文  参考訳（メタデータ） (2020-02-20T04:28:02Z)

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。