Fugu-MT 論文翻訳(概要): Enumerating the k-fold configurations in multi-class classification problems

論文の概要: Enumerating the k-fold configurations in multi-class classification problems

arxiv url: http://arxiv.org/abs/2401.13843v1
Date: Wed, 24 Jan 2024 22:40:00 GMT
ステータス: 処理完了
システム内更新日: 2024-01-26 16:10:43.046793
Title: Enumerating the k-fold configurations in multi-class classification problems
Title（参考訳）: 多クラス分類問題におけるk-fold構成の列挙
Authors: Attila Fazekas and Gyorgy Kovacs
Abstract要約: 人工知能が直面する危機は、報告されたk倍のクロスバリデーションに基づくパフォーマンススコアの不再現性によってもたらされる。近年,要求性能スコアと実験装置の整合性をテストする数値的手法を導入している。重要なユースケースとして、この手法はすべてのk-フォルダ構成の列挙に依存し、二項分類の場合のアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: K-fold cross-validation is a widely used tool for assessing classifier performance. The reproducibility crisis faced by artificial intelligence partly results from the irreproducibility of reported k-fold cross-validation-based performance scores. Recently, we introduced numerical techniques to test the consistency of claimed performance scores and experimental setups. In a crucial use case, the method relies on the combinatorial enumeration of all k-fold configurations, for which we proposed an algorithm in the binary classification case.
Abstract（参考訳）: K-fold Cross-validationは、分類器の性能を評価するために広く使われているツールである。人工知能が直面する再現性危機は、報告されたk倍のクロスバリデーションに基づくパフォーマンススコアの不再現性に起因する。近年,要求性能スコアと実験装置の整合性をテストする数値的手法を導入している。重要なユースケースとして、この手法はすべてのk-フォルダ構成の組合せ列挙に依存し、二項分類の場合のアルゴリズムを提案する。

関連論文リスト

Interpretable Clustering with the Distinguishability Criterion [0.4419843514606336]
本稿では,特定クラスタの分離可能性の定量化と推定クラスタ構成の検証を行うために,分散可能性基準と呼ばれるグローバルな基準を提案する。本稿では、分散可能性基準と多くの一般的なクラスタリング手順を統合した損失関数に基づく計算フレームワークを提案する。シミュレーション研究および実データアプリケーションに基づく包括的データ解析の結果とともに,これらの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-04-24T16:38:15Z)
Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文参考訳（メタデータ） (2023-09-25T12:31:18Z)
Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。固体アンサンブル分類器を構築するためのプール選択戦略が提示される。我々は異常検出手法の不確実性を利用する。
論文参考訳（メタデータ） (2022-12-23T00:50:41Z)
The Impact of Using Regression Models to Build Defect Classifiers [13.840006058766766]
継続的欠陥数を欠陥クラスと非欠陥クラスに分類することは、よくあるプラクティスである。両手法を用いて構築した欠陥分類器の性能と解釈を比較した。
論文参考訳（メタデータ） (2022-02-12T22:12:55Z)
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)
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)
Re-Assessing the "Classify and Count" Quantification Method [88.60021378715636]
分類とカウント(CC)は、しばしば偏りのある推定器である。以前の作業では、CCの適切に最適化されたバージョンを適切に使用できなかった。最先端の手法に劣っているものの、ほぼ最先端の精度を実現している、と我々は主張する。
論文参考訳（メタデータ） (2020-11-04T21:47:39Z)
On the Efficiency of K-Means Clustering: Evaluation, Optimization, and Algorithm Selection [20.900296096958446]
本稿では,高速k平均クラスタリングのためのロイドのアルゴリズムを高速化する既存の手法について,徹底的な評価を行う。 UniK内では、複数のデータセット上での複数のパフォーマンス指標を用いて、既存のメソッドの長所と短所を徹底的に評価する。我々は、より積極的な刈り取りのために複数の既存手法を効果的にハイブリダイズする、UniK上の最適化アルゴリズムを導出する。
論文参考訳（メタデータ） (2020-10-13T19:45:30Z)
Machine Learning Clustering Techniques for Selective Mitigation of Critical Design Features [0.16311150636417257]
本稿では,機械学習のクラスタリング手法を用いてフリップフロップをグループ化する手法を提案する。故障シミュレーションのキャンペーンはグループ単位で実行でき、評価の時間とコストを大幅に削減できる。
論文参考訳（メタデータ） (2020-08-31T15:03:16Z)
Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。任意の関数に対するランダム化スムージングの統一的なビューを示す。本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。