論文の概要: The VOROS: Lifting ROC curves to 3D

• arxiv url: http://arxiv.org/abs/2402.18689v2
• Date: Wed, 18 Dec 2024 18:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 13:22:47.146782
• Title: The VOROS: Lifting ROC curves to 3D
• Title（参考訳）: VOROS:ROC曲線を3Dにリフティング
• Authors: Christopher Ratigan, Lenore Cowen,
• Abstract要約: 本稿では,新しいROC曲面と,このROC曲面上の体積であるVOOSを,ROC曲線を3Dに上げることで,これらのコストを捉える自然な方法として紹介する。 ROC曲線を一般化する以前の試みと比較して、我々の定式化は、正確な値ではなく範囲がクラス不均衡と誤分類コストで知られている場合にのみシナリオをモデル化するための単純で直感的な方法を提供する。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License:
• Abstract: While the area under the ROC curve is perhaps the most common measure that is used to rank the relative performance of different binary classifiers, longstanding field folklore has noted that it can be a measure that ill-captures the benefits of different classifiers when either the actual class values or misclassification costs are highly unbalanced between the two classes. We introduce a new ROC surface, and the VOROS, a volume over this ROC surface, as a natural way to capture these costs, by lifting the ROC curve to 3D. Compared to previous attempts to generalize the ROC curve, our formulation also provides a simple and intuitive way to model the scenario when only ranges, rather than exact values, are known for possible class imbalance and misclassification costs.
• Abstract（参考訳）: ROC曲線の下の領域はおそらく、異なる二項分類器の相対的な性能のランク付けに使用される最も一般的な尺度であるが、長年のフィールドの民間伝承では、実際のクラス値または誤分類コストが2つのクラス間で高度に不均衡な場合に、異なる分類器の利点を損なうことができると指摘している。 本稿では,新しいROC曲面と,このROC曲面上の体積であるVOOSを,ROC曲線を3Dに上げることで,これらのコストを捉える自然な方法として紹介する。 ROC曲線を一般化する以前の試みと比較して、我々の定式化は、正確な値ではなく範囲がクラス不均衡と誤分類コストで知られている場合にのみシナリオをモデル化するための単純で直感的な方法を提供する。

関連論文リスト

• ABROCA Distributions For Algorithmic Bias Assessment: Considerations Around Interpretation [0.23020018305241333]
  本研究では, 絶対地域間距離の統計特性について検討する。 その結果,ABROCA分布は標本サイズ,AUC差,クラス不均衡に大きく依存することがわかった。
  論文  参考訳（メタデータ） (2024-11-28T12:05:58Z)
• Conditional Prediction ROC Bands for Graph Classification [14.222892103838165]
  予測ROC(CP-ROC)バンドは、RCC曲線の不確実性定量化と、テストデータの分布シフトに対するロバスト性を提供する。 CP-ROCを局所交換性条件下で統計的に保証する。 これは、テストグラフ分布がトレーニングデータと異なる場合の信頼性を確保するため、非イド設定下でのROC曲線の不確実性に対処する。
  論文  参考訳（メタデータ） (2024-10-20T00:44:59Z)
• 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)
• Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
  現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。 本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:51:20Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
  一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。 ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。 本論文では,三重項損失を持つ2重変分オートエンコーダを利用する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） (2021-01-09T05:21:27Z)
• FROCC: Fast Random projection-based One-Class Classification [4.312746668772342]
  高速ランダムプロジェクションに基づく一クラス分類(FROCC)は一クラス分類の効率的な方法である。 FROCCは最大3.1%向上し、トレーニング時間とテスト時間では1.2-67.8倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2020-11-29T08:56:59Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)
• Learning Fair Scoring Functions: Bipartite Ranking under ROC-based Fairness Constraints [2.0263791972068628]
  2値ラベル付きデータからスコアリング関数を学習する際の公平性について検討する。 AUC と ROC 曲線に基づくフェアネス定義の一般族を紹介する。 このような制約の下で学習したスコアリング関数の有界一般化を確立する。
  論文  参考訳（メタデータ） (2020-02-19T13:17:39Z)

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。