論文の概要: Approximately optimal domain adaptation with Fisher's Linear Discriminant

• arxiv url: http://arxiv.org/abs/2302.14186v3
• Date: Fri, 1 Mar 2024 20:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 21:14:25.926435
• Title: Approximately optimal domain adaptation with Fisher's Linear Discriminant
• Title（参考訳）: Fisher's Linear Discriminant を用いた最適領域適応
• Authors: Hayden S. Helm and Ashwin De Silva and Joshua T. Vogelstein and Carey E. Priebe and Weiwei Yang
• 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）: 23.803017340563386
• 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

• 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)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Submodular Information Selection for Hypothesis Testing with Misclassification Penalties [3.3444620077119436]
  仮説テスト/分類タスクにおいて,情報ソースの最適サブセットを選択する問題について検討する。 異なる誤分類誤りに対する一様でない処理を可能にする誤分類ペナルティフレームワークを提案する。 我々は,この指標が準モジュラであることを示すとともに,両情報集合選択問題に対するグリーディアルゴリズムのほぼ最適保証を確立する。
  論文  参考訳（メタデータ） (2024-05-17T17:31:02Z)
• 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)
• 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)
• 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)
• 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。