論文の概要: Ranking Regularization for Critical Rare Classes: Minimizing False Positives at a High True Positive Rate

• arxiv url: http://arxiv.org/abs/2304.00049v1
• Date: Fri, 31 Mar 2023 18:05:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 19:57:13.594792
• Title: Ranking Regularization for Critical Rare Classes: Minimizing False Positives at a High True Positive Rate
• Title（参考訳）: 臨界レアクラスのランキング定式化:高い真正率での偽陽性の最小化
• Authors: Mohammadi Kiarash and Zhao He and Mengyao Zhai and Frederick Tung
• Abstract要約: 本稿では, 真正の確率で運用する必要があるシステムに対して, 偽陽性を最小化するという課題に対処する新しいアプローチを提案する。 実装が容易なランキングベース正規化(RankReg)アプローチを提案し、偽陽性を効果的に低減するだけでなく、従来の不均衡学習損失を補うことを実証的に示す。
• 参考スコア（独自算出の注目度）: 14.93020899074113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many real-world settings, the critical class is rare and a missed detection carries a disproportionately high cost. For example, tumors are rare and a false negative diagnosis could have severe consequences on treatment outcomes; fraudulent banking transactions are rare and an undetected occurrence could result in significant losses or legal penalties. In such contexts, systems are often operated at a high true positive rate, which may require tolerating high false positives. In this paper, we present a novel approach to address the challenge of minimizing false positives for systems that need to operate at a high true positive rate. We propose a ranking-based regularization (RankReg) approach that is easy to implement, and show empirically that it not only effectively reduces false positives, but also complements conventional imbalanced learning losses. With this novel technique in hand, we conduct a series of experiments on three broadly explored datasets (CIFAR-10&100 and Melanoma) and show that our approach lifts the previous state-of-the-art performance by notable margins.
• Abstract（参考訳）: 多くの現実の環境では、クリティカルクラスはまれであり、検出を逃すと不釣り合いに高いコストがかかる。 例えば、腫瘍は稀であり、偽陰性診断は治療結果に重大な影響を及ぼす可能性があり、不正な銀行取引はまれであり、発見されていない出来事は重大な損失や法的罰則をもたらす可能性がある。 このような文脈では、システムはしばしば高い真の正の速度で操作され、高い偽陽性を許容する必要がある。 本稿では,高い実効率で運用する必要があるシステムに対して,偽陽性を最小化するという課題に対処する新しいアプローチを提案する。 実装が容易なランキングベース正規化(RankReg)アプローチを提案し、偽陽性を効果的に低減するだけでなく、従来の不均衡学習損失を補うことを実証的に示す。 本手法を応用して,広範に探索された3つのデータセット(CIFAR-10&100とメラノーマ)の一連の実験を行い,本手法が従来の最先端性能を顕著に向上させることを示す。

関連論文リスト

• LoGex: Improved tail detection of extremely rare histopathology classes via guided diffusion [36.56346240815833]
  現実的な医療環境では、データは長い尾を持つことが多く、ほとんどのサンプルは少数のクラスと稀なクラスの長い尾に集中しており、通常は少数のサンプルしか含まれていない。 この分布は、希少な条件が検出しにくく、限られたデータのために分類することが難しいため、重大な課題である。 本稿では,レアクラスを分類する代わりに,配布外データとして確実に検出することを目的とする。
  論文  参考訳（メタデータ） (2024-09-02T15:18:15Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Beyond Myopia: Learning from Positive and Unlabeled Data through Holistic Predictive Trends [26.79150786180822]
  我々は、PULで興味深いが、長い間見過ごされてきた観察を公表する。 ポジティブクラスとネガティブクラスの予測傾向は、明らかに異なるパターンを示す。 本稿では,TPPにインスパイアされた新しいトレンド検出尺度を提案し,変化予測における不偏性を証明する。
  論文  参考訳（メタデータ） (2023-10-06T08:06:15Z)
• Late Stopping: Avoiding Confidently Learning from Mislabeled Examples [61.00103151680946]
  そこで本研究では,DNNの長期学習プロセスを通じて,本質的な頑健な学習能力を生かした新しいフレームワークであるLatlas Stoppingを提案する。 誤ラベルとクリーンな例は、それらが一貫して正しく分類されるために必要なエポックの数に相違があることを実証的に観察する。 ベンチマークシミュレーションと実世界のノイズデータセットによる実験結果から,提案手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-26T12:43:25Z)
• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Constrained Optimization for Training Deep Neural Networks Under Class Imbalance [9.557146081524008]
  ROC曲線の下で最大領域を強制するために、既存の損失関数で使用できる新しい制約を紹介します。 CIFAR10と社内医療画像データセットを用いた画像分類アプリケーションの実験結果を提示する。
  論文  参考訳（メタデータ） (2021-02-21T09:49:36Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• NPCFace: Negative-Positive Collaborative Training for Large-scale Face Recognition [78.21084529159577]
  我々は、トレーニングを改善するために、ハードサンプルのより良い利用方法を研究する。 強正と強負の相関は見過ごされ、正と負のロジットのマージンの関係も見過ごされる。 我々はNPCFaceと呼ばれる新規な負の正の協調的損失を提案し、これは負のハードケースと正のハードケースの両方のトレーニングを強調している。
  論文  参考訳（メタデータ） (2020-07-20T14:52:29Z)

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。