論文の概要: Tight Rates in Supervised Outlier Transfer Learning

• arxiv url: http://arxiv.org/abs/2310.04686v1
• Date: Sat, 7 Oct 2023 04:14:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 16:37:21.727146
• Title: Tight Rates in Supervised Outlier Transfer Learning
• Title（参考訳）: 教師付き転校学習におけるタイトレート
• Authors: Mohammadreza M. Kalan, Samory Kpotufe
• Abstract要約: 外れ値検出のための正確な決定ルールを学ぶための重要な障壁は、外れ値データの不足である。 トランスファーラーニングアプローチの最近の実証的な成功にもかかわらず、ソースからターゲットのオフアー検出タスクへいつ、どのように知識を転送できるかの根本的な理解は、まだ解明されていない。
• 参考スコア（独自算出の注目度）: 4.169915659794566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A critical barrier to learning an accurate decision rule for outlier detection is the scarcity of outlier data. As such, practitioners often turn to the use of similar but imperfect outlier data from which they might transfer information to the target outlier detection task. Despite the recent empirical success of transfer learning approaches in outlier detection, a fundamental understanding of when and how knowledge can be transferred from a source to a target outlier detection task remains elusive. In this work, we adopt the traditional framework of Neyman-Pearson classification -- which formalizes supervised outlier detection -- with the added assumption that one has access to some related but imperfect outlier data. Our main results are as follows: We first determine the information-theoretic limits of the problem under a measure of discrepancy that extends some existing notions from traditional balanced classification; interestingly, unlike in balanced classification, seemingly very dissimilar sources can provide much information about a target, thus resulting in fast transfer. We then show that, in principle, these information-theoretic limits are achievable by adaptive procedures, i.e., procedures with no a priori information on the discrepancy between source and target outlier distributions.
• Abstract（参考訳）: 外れ値検出の正確な決定ルールを学ぶ上で重要な障壁は、外れ値データの不足である。 このように、実践者は、しばしば、ターゲットの外れ値検出タスクに情報を転送する、類似しているが不完全な外れ値データを使用することに目を向ける。 アウトリアー検出におけるトランスファー学習アプローチの最近の実証的成功にもかかわらず、いつ、どのように知識をソースからターゲットアウトリアー検出タスクに移すことができるかについての基本的な理解はいまだに不明である。 本研究では,教師付き異常検出を形式化する neyman-pearson 分類の従来の枠組みを採用し,関連するが不完全な異常データへのアクセスを仮定した。 我々はまず、従来のバランスの取れた分類から既存の概念を拡張した不一致の尺度で問題の情報理論的限界を判断する;興味深いことに、バランスの取れた分類とは異なり、非常に異種なソースがターゲットに関する情報を多く提供し、高速な転送をもたらす。 次に,これらの情報理論上の限界を適応的手続き,すなわち,ソースとターゲットの異常分布の差に関する事前情報を持たない手続きによって達成できることを原理的に示す。

関連論文リスト

• Unsupervised Event Outlier Detection in Continuous Time [4.375463200687156]
  我々は、我々の知る限り、異常事象を検出するための最初の教師なし外乱検出手法を開発した。 我々は、実際のデータから修正されたデータを識別する'ディスクリミネータ'を用いて、データの異常値を補正する'ジェネレータ'を訓練する。 実験結果から,本手法は最先端手法よりも高精度にイベント異常を検出できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-25T14:29:39Z)
• Learning Confidence Bounds for Classification with Imbalanced Data [42.690254618937196]
  本稿では,学習理論と集中不等式を利用して従来のソリューションの欠点を克服する新しい枠組みを提案する。 本手法は, クラスごとに異なる不均衡度に効果的に適応できるため, より堅牢で信頼性の高い分類結果が得られる。
  論文  参考訳（メタデータ） (2024-07-16T16:02:27Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Quantile-based Maximum Likelihood Training for Outlier Detection [5.902139925693801]
  我々は,推定時の外乱分離を改善するために,不整合分布を学習するための量子化に基づく最大極大目標を提案する。 本手法は, 事前学習した識別特徴に正規化フローを適合させ, 評価されたログ類似度に応じて異常値を検出する。
  論文  参考訳（メタデータ） (2023-08-20T22:27:54Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Tradeoffs in Streaming Binary Classification under Limited Inspection Resources [14.178224954581069]
  イベントが順次到着し,疑わしいイベントの数が限られている,不均衡なバイナリ分類問題を考える。 マイノリティクラス検出率と検査能力のトレードオフを解析的に特徴付ける。 本研究では,実際の不正検出データセット上での選択手法を実装し,実験結果と解析的境界を比較検討する。
  論文  参考訳（メタデータ） (2021-10-05T23:23:11Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)
• Do We Really Need to Learn Representations from In-domain Data for Outlier Detection? [6.445605125467574]
  2段階のフレームワークに基づく手法は、このタスクで最先端のパフォーマンスを達成する。 我々は,各外乱検出タスクに対して,異なる表現を訓練するコストが高いことを避ける可能性を探る。 実験では, 従来の2段階法と比較して, 様々な外乱検出ベンチマークにおいて, 競争力や性能が向上することを示した。
  論文  参考訳（メタデータ） (2021-05-19T17:30:28Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)

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。