論文の概要: Consistent algorithms for multi-label classification with macro-at-$k$ metrics

• arxiv url: http://arxiv.org/abs/2401.16594v1
• Date: Mon, 29 Jan 2024 21:51:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 16:52:46.889636
• Title: Consistent algorithms for multi-label classification with macro-at-$k$ metrics
• Title（参考訳）: macro-at-$k$メトリクスを用いた複数ラベル分類のための一貫性アルゴリズム
• Authors: Erik Schultheis, Wojciech Kot{\l}owski, Marek Wydmuch, Rohit Babbar, Strom Borman, Krzysztof Dembczy\'nski
• Abstract要約: 各ラベルに別々に適用されたバイナリ分類ユーティリティの和に線形に分解可能なメトリクスに焦点をあてる。 これらの"macro-at-k$"メトリクスは、長い尾ラベルを持つ極端な分類問題に対して望ましい性質を持っている。 本稿では,Frank-Wolfe法に基づく統計的に一貫した実践的学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.371921122810031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the optimization of complex performance metrics in multi-label classification under the population utility framework. We mainly focus on metrics linearly decomposable into a sum of binary classification utilities applied separately to each label with an additional requirement of exactly $k$ labels predicted for each instance. These "macro-at-$k$" metrics possess desired properties for extreme classification problems with long tail labels. Unfortunately, the at-$k$ constraint couples the otherwise independent binary classification tasks, leading to a much more challenging optimization problem than standard macro-averages. We provide a statistical framework to study this problem, prove the existence and the form of the optimal classifier, and propose a statistically consistent and practical learning algorithm based on the Frank-Wolfe method. Interestingly, our main results concern even more general metrics being non-linear functions of label-wise confusion matrices. Empirical results provide evidence for the competitive performance of the proposed approach.
• Abstract（参考訳）: マルチラベル分類における複雑な性能指標の最適化について,集団ユーティリティ・フレームワークを用いて検討する。 主に、それぞれのラベルに個別に適用されるバイナリ分類ユーティリティの合計に線形に分解可能なメトリクスに焦点を合わせ、各インスタンスに対して正確に$k$ラベルが予測される追加の要件を設けます。 これらの「macro-at-$k$」メトリクスは、ロングテールラベルを持つ極端な分類問題に望ましい性質を持っている。 残念なことに、at-$k$制約は独立なバイナリ分類タスクを結合し、標準的なマクロ平均よりもずっと難しい最適化問題を引き起こす。 この問題を統計的に研究し、最適な分類器の存在と形態を証明し、Frank-Wolfe法に基づく統計的に一貫した実用的な学習アルゴリズムを提案する。 興味深いことに、我々の主な結果はより一般的なメトリクスはラベル方向の混乱行列の非線形関数である。 実験結果は,提案手法の競争性能を示す証拠となる。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• $F_β$-plot -- a visual tool for evaluating imbalanced data classifiers [0.0]
  本稿では、一般的なパラメトリック計量である$F_beta$を分析するための簡単なアプローチを提案する。 分析された分類器のプールに対して、あるモデルがユーザの要求に応じて好まれるべき場合を示すことができる。
  論文  参考訳（メタデータ） (2024-04-11T18:07:57Z)
• Embedded Multi-label Feature Selection via Orthogonal Regression [45.55795914923279]
  少なくとも2乗回帰に基づく最先端の組込みマルチラベル特徴選択アルゴリズムは、マルチラベルデータに十分な識別情報を保存できない。 複数ラベルの特徴選択を容易にするために, 組込み多ラベル特徴選択法を提案する。 10個の多ラベルデータセットの大規模な実験結果から,GRROORの有効性が示された。
  論文  参考訳（メタデータ） (2024-03-01T06:18:40Z)
• Generalized test utilities for long-tail performance in extreme multi-label classification [10.054627658877733]
  極端に多ラベルな分類では、尾部の正しい予測はより「興味深い」あるいは「逆向き」であるとしばしば主張される。 本稿では,代替手法として「at k」を予算とした一般化メトリクスを解析する。 我々は、最適予測規則を導出し、証明可能な後悔の保証とモデルの誤特定に対する堅牢性を備えた計算効率の良い近似を構築する。
  論文  参考訳（メタデータ） (2023-11-09T00:46:31Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• Complementary to Multiple Labels: A Correlation-Aware Correction Approach [65.59584909436259]
  理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。 候補ラベルから遷移行列を推定する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:48:48Z)
• Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
  トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。 提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-03T11:09:13Z)
• Adaptive label thresholding methods for online multi-label classification [4.028101568570768]
  既存のオンラインマルチラベル分類作業は、オンラインラベルのしきい値設定問題に対処できない。 本稿では,オンラインマルチラベル分類のための適応ラベル閾値アルゴリズムの新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-04T10:34:09Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Global Multiclass Classification and Dataset Construction via Heterogeneous Local Experts [37.27708297562079]
  得られたデータセットの信頼性を確保しながら、ラベルの数を最小化する方法を示す。 MNISTとCIFAR-10データセットを用いた実験では、アグリゲーション方式の良好な精度が示されている。
  論文  参考訳（メタデータ） (2020-05-21T18:07:42Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)

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。