論文の概要: Approximately optimal domain adaptation with Fisher's Linear
Discriminant Analysis
- arxiv url: http://arxiv.org/abs/2302.14186v1
- Date: Mon, 27 Feb 2023 22:50:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 18:40:36.994813
- Title: Approximately optimal domain adaptation with Fisher's Linear
Discriminant Analysis
- Title(参考訳): Fisher's Linear Discriminant Analysis による最適領域適応
- Authors: Hayden S. Helm and Weiwei Yang and Ashwin De Silva and Joshua T.
Vogelstein and Carey E. Priebe
- Abstract要約: 本稿では,Fisher's Linear Discriminant (FLD) に基づくモデル群を提案する。
特定の生成的設定に対しては、2つのモデルの最適凸結合を0-1の損失で導出する。
脳波とECGに基づく分類設定の文脈における最適分類器の有効性を示す。
- 参考スコア(独自算出の注目度): 17.45060377245052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a class of models based on Fisher's Linear Discriminant (FLD) in
the context of domain adaptation. The class is the convex combination of two
hypotheses: i) an average hypothesis representing previously seen source tasks
and ii) a hypothesis trained on a new target task. For a particular generative
setting we derive the optimal convex combination of the two models under 0-1
loss, propose a computable approximation, and study the effect of various
parameter settings on the relative risks between the optimal hypothesis,
hypothesis i), and hypothesis ii). We demonstrate the effectiveness of the
proposed optimal classifier in the context of EEG- and ECG-based classification
settings and argue that the optimal classifier can be computed without access
to direct information from any of the individual source tasks. We conclude by
discussing further applications, limitations, and possible future directions.
- Abstract(参考訳): 本研究では,fisherの線形判別(fld)に基づくモデル群をドメイン適応の文脈で提案する。
クラスは2つの仮説の凸結合である。
一 前述した出典の課題を表す平均的仮説
二 新たな目標課題について訓練した仮説
特定の生成的設定のために、2つのモデルの最適凸結合を0-1損失下で導出し、計算可能な近似を提案し、最適仮説、仮説の間の相対的リスクに対する様々なパラメータ設定の影響を研究する。
i)と仮説
i)。
脳波とECGに基づく分類設定の文脈における最適分類器の有効性を実証し、各ソースタスクから直接の情報にアクセスせずに最適な分類器を計算できると主張している。
我々は、さらなる応用、制限、将来的な方向性について論じる。
関連論文リスト
- Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳(メタデータ) (2024-02-02T05:53:22Z) - Optimize-via-Predict: Realizing out-of-sample optimality in data-driven
optimization [0.0]
本稿では,データ駆動最適化の定式化について検討する。
我々は、規範的なソリューションを、そのようなデータセットを意思決定にマッピングする意思決定者ルールとして定義する。
本稿では,このようなサンプル外最適解に対して,サンプリングアルゴリズムと2分割探索アルゴリズムを組み合わせることで効率よく解ける最適化問題を提案する。
論文 参考訳(メタデータ) (2023-09-20T08:48:50Z) - On the Trade-off of Intra-/Inter-class Diversity for Supervised
Pre-training [72.8087629914444]
教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。
トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
論文 参考訳(メタデータ) (2023-05-20T16:23:50Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳(メタデータ) (2023-02-02T22:16:49Z) - Multiobjective Ranking and Selection Using Stochastic Kriging [0.0]
我々は,複数の矛盾する目的を同時に最適化し,シミュレーションによってのみ観測できる多目的シミュレーション最適化問題を考察する。
最適性は、他の目的の質を損なうことなく、目的を改善できないことを意味する。
提案手法は, 最適性能の解を同定する際の誤差を減らすため, 多目的ランキングと選択法を提案する。
論文 参考訳(メタデータ) (2022-09-05T23:51:07Z) - Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
まず、適応性ギャップを明示的に考慮した一般化境界を確立する。
本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。
もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
論文 参考訳(メタデータ) (2022-08-18T06:42:49Z) - Fair Representation Learning through Implicit Path Alignment [11.337337102261976]
我々は、データ表現の上の最適な予測器が、異なるサブグループに対して不変であることを保証する、公正な表現学習の観点を考察する。
本稿では、内部最適化と暗黙の微分の解のみに依存する暗黙の経路アライメントアルゴリズムを提案する。
実験結果は、予測性能と公正度測定におけるトレードオフが一貫して良好であることを示している。
論文 参考訳(メタデータ) (2022-05-26T12:46:11Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳(メタデータ) (2021-11-01T09:17:15Z) - Variational Intrinsic Control Revisited [7.6146285961466]
Gregorらによるオリジナルの研究で、2つのVICアルゴリズムが提案された: 1つは明示的にオプションを表すもので、もう1つは暗黙的にそれを行うものである。
後者で用いられる本質的な報酬は環境に偏りがあり、最適解に収束することを示した。
本稿では,この動作を補正し,最大エンパワーメントを達成するための2つの方法を提案する。
論文 参考訳(メタデータ) (2020-10-07T09:00:48Z)
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。