Fugu-MT 論文翻訳(概要): The VOROS: Lifting ROC curves to 3D

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

The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
論文参考訳（メタデータ） (2023-09-28T22:41:47Z)
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)
Towards Long-Tailed 3D Detection [56.82185415482943]
本研究では,Long-Tailed 3D Detection (LT3D) の課題について検討した。各クラスの平均APは5%改善し,レアクラスのAPは劇的に改善した。
論文参考訳（メタデータ） (2022-11-16T06:00:47Z)
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)
The $f$-divergence and Loss Functions in ROC Curve [2.9823962001574182]
2つのデータ分布とテストスコア関数が与えられたとき、受信者動作特性(ROC)曲線は、そのようなスコアがいかに2つの分布を分離するかを示す。 ROC曲線は2つの分布の相違の尺度として使用できるか? 本稿では, テストスコアとしてデータ確率比を用いると, ROC曲線の弧長が2つのデータ分布の差を測る新しい$f$-divergenceを生じることを示す。
論文参考訳（メタデータ） (2021-10-18T23:12:35Z)
RB-CCR: Radial-Based Combined Cleaning and Resampling algorithm for imbalanced data classification [5.448684866061922]
トレーニングデータのサンプル化は、不均衡バイナリデータの分類性能を改善するための標準的なアプローチである。 RB-CCRはクラスポテンシャルを利用して、合成オーバーサンプリングのためのデータ空間のサブリージョンを正確に見つける。以上の結果から,RB-CCRはCCRよりも精度の高いリコールトレードオフを実現し,AUC や G-mean といった最先端のリサンプリング手法よりも優れていた。
論文参考訳（メタデータ） (2021-05-09T19:47:45Z)
Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
論文参考訳（メタデータ） (2021-03-01T10:20:04Z)
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)
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)
DROCC: Deep Robust One-Class Classification [27.39859376166352]
State-of-the-artメソッドは、ディープラーニングを活用して、2つの主要なアプローチを通じて適切な機能を学ぶことを目的としている。 Deep Robust One-Class Classification (DROCC) は、ほとんどの標準ドメインに適用可能である。 DROCCは異常検出における最先端技術よりも最大20%精度が向上する。
論文参考訳（メタデータ） (2020-02-28T14:03:31Z)
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。