Fugu-MT 論文翻訳(概要): On Classification-Calibration of Gamma-Phi Losses

論文の概要: On Classification-Calibration of Gamma-Phi Losses

arxiv url: http://arxiv.org/abs/2302.07321v1
Date: Tue, 14 Feb 2023 20:05:42 GMT
ステータス: 処理完了
システム内更新日: 2023-02-16 16:41:07.453009
Title: On Classification-Calibration of Gamma-Phi Losses
Title（参考訳）: Gamma-Phi損失の分類校正について
Authors: Yutong Wang and Clayton D. Scott
Abstract要約: Gamma-Phi損失は多クラス分類損失関数の族である。このような損失を分類・校正するための最初の一般条件を確立する。
参考スコア（独自算出の注目度）: 11.759162160620678
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gamma-Phi losses constitute a family of multiclass classification loss functions that generalize the logistic and other common losses, and have found application in the boosting literature. We establish the first general sufficient condition for the classification-calibration of such losses. In addition, we show that a previously proposed sufficient condition is in fact not sufficient.
Abstract（参考訳）: Gamma-Phi の損失は、ロジスティックやその他の一般的な損失を一般化する多クラス分類損失関数の族であり、加速文学に応用されている。このような損失を分類・校正するための最初の一般条件を確立する。さらに,従来提案されていた十分条件が十分でないことを示す。

関連論文リスト

Enhanced $H$-Consistency Bounds [30.389055604165222]
条件付き後悔に関するより一般的な不等式に基づく拡張された$H$一貫性境界を確立するための枠組みを提案する。我々の定理は、既存の結果を特別な場合とみなすが、様々なシナリオにおいてより好ましい境界の導出を可能にする。これには、標準のマルチクラス分類、Tsybakovノイズ条件下でのバイナリクラスとマルチクラス分類、二部分類が含まれる。
論文参考訳（メタデータ） (2024-07-18T17:22:40Z)
A Universal Growth Rate for Learning with Smooth Surrogate Losses [30.389055604165222]
2進分類におけるスムーズなマージンベースサロゲート損失に対して,0付近の平方根成長速度を証明した。我々は、この分析を、一連の新しい結果でマルチクラス分類に拡張する。
論文参考訳（メタデータ） (2024-05-09T17:59:55Z)
Unified Binary and Multiclass Margin-Based Classification [27.28814893730265]
本稿では,多くの人気関数を含む多クラス損失関数を,相対的マージン形式で表現できることを示す。次に、Fenchel-Young の損失のクラスを分析し、これらの損失の集合を分類校正(class-calibrated)として拡張する。
論文参考訳（メタデータ） (2023-11-29T16:24:32Z)
Constrained Classification and Policy Learning [0.0]
制約付き分類器の集合における代理損失手順の整合性について検討する。ヒンジ損失が第2のベストシナリオにおける一貫性を維持する唯一のサロゲート損失であることを示す。
論文参考訳（メタデータ） (2021-06-24T10:43:00Z)
Calibration and Consistency of Adversarial Surrogate Losses [46.04004505351902]
adrialversa robustnessは、アプリケーションにおける分類器のますます重要な特性である。しかし、どの代理損失を使うべきで、いつ理論的保証から利益を得るのか? 本稿では, H-calibration と H-consistency of adversarial surrogate loss の詳細な分析を含む, この問題の広範な研究について述べる。
論文参考訳（メタデータ） (2021-04-19T21:58:52Z)
DropLoss for Long-Tail Instance Segmentation [56.162929199998075]
珍しいカテゴリーと頻繁なカテゴリーのアンバランスを補う新しい適応損失であるDropLossを開発しています。 LVISデータセットでは,レア,一般的,頻繁なカテゴリにまたがる最先端のmAPを示す。
論文参考訳（メタデータ） (2021-04-13T17:59:22Z)
Lower-bounded proper losses for weakly supervised classification [73.974163801142]
本稿では,弱いラベルが与えられた分類の弱い教師付き学習の問題について議論する。サベージ表現を双対化する教師付き学習における適切な損失を表す表現定理を導出する。提案手法の有効性を,不適切な損失や非有界損失と比較して実験的に実証した。
論文参考訳（メタデータ） (2021-03-04T08:47:07Z)
Re-Assessing the "Classify and Count" Quantification Method [88.60021378715636]
分類とカウント(CC)は、しばしば偏りのある推定器である。以前の作業では、CCの適切に最適化されたバージョンを適切に使用できなかった。最先端の手法に劣っているものの、ほぼ最先端の精度を実現している、と我々は主張する。
論文参考訳（メタデータ） (2020-11-04T21:47:39Z)
Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
論文参考訳（メタデータ） (2020-10-22T14:05:05Z)
Calibrated Surrogate Losses for Adversarially Robust Classification [92.37268323142307]
線形モデルに制限された場合の逆0-1損失に対して凸代理損失は考慮されないことを示す。また,Massartの雑音条件を満たす場合,対向条件下では凸損失も校正可能であることを示す。
論文参考訳（メタデータ） (2020-05-28T02:40:42Z)

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。