Fugu-MT 論文翻訳(概要): Invariance assumptions for class distribution estimation

論文の概要: Invariance assumptions for class distribution estimation

arxiv url: http://arxiv.org/abs/2311.17225v1
Date: Tue, 28 Nov 2023 20:57:10 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 23:30:57.400316
Title: Invariance assumptions for class distribution estimation
Title（参考訳）: クラス分布推定のための不変仮定
Authors: Dirk Tasche
Abstract要約: 本研究では,データセットシフトによるクラス分布推定の問題について検討する。トレーニングデータセットでは、機能とクラスラベルの両方が観察され、テストデータセットでは、機能のみが観察される。
参考スコア（独自算出の注目度）: 1.3053649021965603
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the problem of class distribution estimation under dataset shift. On the training dataset, both features and class labels are observed while on the test dataset only the features can be observed. The task then is the estimation of the distribution of the class labels, i.e. the estimation of the class prior probabilities, in the test dataset. Assumptions of invariance between the training joint distribution of features and labels and the test distribution can considerably facilitate this task. We discuss the assumptions of covariate shift, factorizable joint shift, and sparse joint shift and their implications for class distribution estimation.
Abstract（参考訳）: データセットシフトによるクラス分布推定の問題について検討する。トレーニングデータセットでは、機能とクラスラベルの両方が観察され、テストデータセットでは、機能のみを観察できる。そのタスクは、テストデータセットにおけるクラスラベルの分布、すなわち、クラス前の確率を推定することである。特徴とラベルのトレーニング共同分布とテスト分布との不変性の推定は,この課題をかなり容易にする。共変量シフト,因子可能なジョイントシフト,スパースジョイントシフトの仮定とそのクラス分布推定への応用について考察する。

関連論文リスト

Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-11T13:44:49Z)
Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文参考訳（メタデータ） (2023-06-14T08:00:49Z)
Revisiting Long-tailed Image Classification: Survey and Benchmarks with New Evaluation Metrics [88.39382177059747]
メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
論文参考訳（メタデータ） (2023-02-03T02:40:54Z)
Factorizable Joint Shift in Multinomial Classification [3.3504365823045035]
本研究は, 原点(訓練)分布, 対象(試験)事前クラス確率, 特徴の目標辺縁分布の観点から, 分解可能な関節シフトの表現を導出する。本論文の他の結果には、一般データセットシフトと分解可能な関節シフトの下での後方クラス確率の補正公式が含まれる。
論文参考訳（メタデータ） (2022-07-29T07:21:44Z)
Fairness Transferability Subject to Bounded Distribution Shift [5.62716254065607]
あるソース分布に「フェア」なアルゴリズム予測器が与えられたとしても、あるバウンダリ内のソースと異なる未知のターゲット分布上では、まだフェアなのか? 本研究では,有界分布シフトを考慮した機械学習予測器の統計的グループフェアネスの伝達可能性について検討する。
論文参考訳（メタデータ） (2022-05-31T22:16:44Z)
Shift Happens: Adjusting Classifiers [2.8682942808330703]
ブレアスコアやログロス(クロスエントロピー)のような適切なスコアリングルールによって測定される期待損失を最小限に抑えることは、確率的分類器を訓練する際の共通の目的である。本稿では,全ての予測を平均予測とクラス分布に等化させる手法を提案する。実際に、クラス分布が概ね知られている場合、シフトの量やクラス分布が知られている精度に応じて、損失が減少することがしばしばあることを実験によって実証した。
論文参考訳（メタデータ） (2021-11-03T21:27:27Z)
When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。多様な分類課題にまたがってその効果を実証的に示す。
論文参考訳（メタデータ） (2021-09-28T02:55:42Z)
Minimising quantifier variance under prior probability shift [2.1320960069210475]
テストデータセットの分布における特徴に対して,クラスラベルの回帰に対するブライアスコアの関数であることが判明した。この観察結果から,学習データセット上での基底分類器の精度の最適化は,テストデータセット上での関連量化器のばらつきを低減するのに役立つことが示唆された。
論文参考訳（メタデータ） (2021-07-17T09:28:06Z)
Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文参考訳（メタデータ） (2021-07-09T19:48:23Z)
Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文参考訳（メタデータ） (2021-07-07T15:50:18Z)
Robust Fairness under Covariate Shift [11.151913007808927]
保護グループメンバーシップに関して公正な予測を行うことは、分類アルゴリズムの重要な要件となっている。本稿では,ターゲット性能の面で最悪のケースに対して頑健な予測値を求める手法を提案する。
論文参考訳（メタデータ） (2020-10-11T04:42:01Z)

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。