Fugu-MT 論文翻訳(概要): Nonparametric plug-in classifier for multiclass classification of S.D.E. paths

論文の概要: Nonparametric plug-in classifier for multiclass classification of S.D.E. paths

arxiv url: http://arxiv.org/abs/2212.10259v1
Date: Tue, 20 Dec 2022 14:08:05 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 17:18:56.560755
Title: Nonparametric plug-in classifier for multiclass classification of S.D.E. paths
Title（参考訳）: S.D.E.パスのマルチクラス分類のためのノンパラメトリックプラグイン分類器
Authors: Christophe Denis, Charlotte Dion-Blanc, Eddy Ella Mintsa and Viet-Chi Tran
Abstract要約: 時間-均一拡散の混合から特徴が生じる多クラス分類問題について検討する。具体的には、クラスはドリフト関数によって判別され、拡散係数はすべてのクラスに共通であり、未知である。
参考スコア（独自算出の注目度）: 4.4542108768792374
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the multiclass classification problem where the features come from the mixture of time-homogeneous diffusions. Specifically, the classes are discriminated by their drift functions while the diffusion coefficient is common to all classes and unknown. In this framework, we build a plug-in classifier which relies on nonparametric estimators of the drift and diffusion functions. We first establish the consistency of our classification procedure under mild assumptions and then provide rates of cnvergence under different set of assumptions. Finally, a numerical study supports our theoretical findings.
Abstract（参考訳）: 時間均質拡散の混合から特徴を導出する多クラス分類問題について検討する。具体的には、クラスはドリフト関数によって判別され、拡散係数はすべてのクラスに共通で未知である。本研究では,ドリフトと拡散関数の非パラメトリック推定器に依存するプラグイン分類器を構築する。まず, 穏やかな仮定の下での分類手順の整合性を確立し, 異なる前提条件下での検証率を提供する。最後に,数値的研究によって理論的知見が得られた。

関連論文リスト

Accelerating Convergence in Bayesian Few-Shot Classification [3.819329978428786]
本稿では,ミラー降下に基づく変分推論をガウス過程に基づく少数ショット分類にシームレスに統合する。非ユークリッド幾何学を活用することにより、ミラー降下は対応する多様体に沿って最も急勾配の方向を与えることにより加速収束を達成する。
論文参考訳（メタデータ） (2024-05-02T17:37:39Z)
Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文参考訳（メタデータ） (2024-03-03T23:15:48Z)
Evidential Uncertainty Quantification: A Variance-Based Perspective [0.43536523356694407]
回帰から分類への分散に基づくアプローチを適応し,クラスレベルでの分類の不確実性を定量化する。クロスドメインデータセットの実験は、分散ベースのアプローチが、アクティブドメイン適応におけるエントロピーベースのデータセットと同等の精度をもたらすだけでなく、より正確な結果をもたらすことを示すために行われた。
論文参考訳（メタデータ） (2023-11-19T16:33:42Z)
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)
Soft-margin classification of object manifolds [0.0]
単一対象の複数の出現に対応する神経集団は、神経応答空間における多様体を定義する。そのような多様体を分類する能力は、オブジェクト認識やその他の計算タスクは多様体内の変数に無関心な応答を必要とするため、興味がある。ソフトマージン分類器は、より大きなアルゴリズムのクラスであり、トレーニングセット外のパフォーマンスを最適化するためにアプリケーションで使われる追加の正規化パラメータを提供する。
論文参考訳（メタデータ） (2022-03-14T12:23:36Z)
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)
Intra-Class Uncertainty Loss Function for Classification [6.523198497365588]
特にアンバランスクラスを含むデータセットでは、クラス内の不確実性/可変性は考慮されない。本フレームワークでは,各クラスの深いネットワークによって抽出された特徴を,独立なガウス分布によって特徴付ける。提案手法は,より優れたクラス表現を学習することで,分類性能の向上を示す。
論文参考訳（メタデータ） (2021-04-12T09:02:41Z)
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)
Variational Feature Disentangling for Fine-Grained Few-Shot Classification [30.350307891161865]
ファインファインショット認識はしばしば、新しいカテゴリのデータの不足を訓練する問題に悩まされる。本稿では,未確認クラスのクラス内ばらつきを増大させ,少ショット分類性能を向上させることに焦点を当てる。
論文参考訳（メタデータ） (2020-10-07T08:13:42Z)
Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。提案手法は,個々の試料の重量を定義する確率モデルに基づく。サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
論文参考訳（メタデータ） (2020-04-08T19:40:53Z)

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。