Fugu-MT 論文翻訳(概要): Asymptotic Bayes risk of semi-supervised learning with uncertain labeling

論文の概要: Asymptotic Bayes risk of semi-supervised learning with uncertain labeling

arxiv url: http://arxiv.org/abs/2403.17767v1
Date: Tue, 26 Mar 2024 14:54:35 GMT
ステータス: 処理完了
システム内更新日: 2024-03-27 14:58:20.291332
Title: Asymptotic Bayes risk of semi-supervised learning with uncertain labeling
Title（参考訳）: 不確実なラベリングを伴う半教師付き学習の漸近ベイズリスク
Authors: Victor Leger, Romain Couillet,
Abstract要約: 本稿では,ガウス混合モデルに基づく半教師付き分類について考察する。本モデルの主な目的はベイズリスクの計算であり,ベイズリスクの挙動と,このモデルで最もよく知られたアルゴリズムを比較する。
参考スコア（独自算出の注目度）: 22.56729127857159
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This article considers a semi-supervised classification setting on a Gaussian mixture model, where the data is not labeled strictly as usual, but instead with uncertain labels. Our main aim is to compute the Bayes risk for this model. We compare the behavior of the Bayes risk and the best known algorithm for this model. This comparison eventually gives new insights over the algorithm.
Abstract（参考訳）: 本稿では,ガウス混合モデルに基づく半教師付き分類について考察する。我々の主な目的はベイズリスクを計算することである。我々はベイズリスクの挙動と、このモデルにおける最もよく知られたアルゴリズムを比較した。この比較は最終的にアルゴリズムに新たな洞察を与える。

関連論文リスト

Augmented prediction of a true class for Positive Unlabeled data under selection bias [0.8594140167290099]
本稿では, 観測時刻をラベル付けした正のアンラベル(PU)データに対して, 新たな観測環境を提案する。我々は、追加情報は予測に重要であると主張し、このタスクを"Augmented PU prediction"と呼んでいる。このようなシナリオで経験的ベイズ則のいくつかの変種を導入し、それらの性能について検討する。
論文参考訳（メタデータ） (2024-07-14T19:58:01Z)
Mitigating Nonlinear Algorithmic Bias in Binary Classification [0.0]
本稿では,保護属性の非線形なバイアスの検出と緩和に因果モデリングを用いることを提案する。若年者では「低リスク」と正しく分類される可能性が低いことを示す。適応因果モデルに基づいて、偏り確率推定を計算し、全体の精度にほとんど影響を与えずに、公正性の向上を示す。
論文参考訳（メタデータ） (2023-12-09T01:26:22Z)
Sampling-based Uncertainty Estimation for an Instance Segmentation Network [8.772859218496244]
機械学習(ML)モデルの予測の不確かさが注目されている。この目的のために使用される不確実性モデリング手法の1つはモンテカルロ・ドロープアウトであり、単一の入力に対して繰り返し予測が生成される。この記事では、ベイジアン・ガウス混合(BGM)を用いてこの問題を解決する。さらに、各インスタンスの最も正確な不確実性近似を得るために、Mask-RCNNモデルに統合した焦点損失やキャリブレーションなど、ドロップアウト率と他の手法の異なる値について検討する。
論文参考訳（メタデータ） (2023-05-24T10:12:50Z)
Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
論文参考訳（メタデータ） (2022-07-04T16:22:44Z)
Is the Performance of My Deep Network Too Good to Be True? A Direct Approach to Estimating the Bayes Error in Binary Classification [86.32752788233913]
分類問題において、ベイズ誤差は、最先端の性能を持つ分類器を評価するための基準として用いられる。我々はベイズ誤差推定器を提案する。そこでは,クラスの不確かさを示すラベルの平均値のみを評価できる。我々の柔軟なアプローチは、弱い教師付きデータであってもベイズ誤差を推定できる。
論文参考訳（メタデータ） (2022-02-01T13:22:26Z)
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)
Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文参考訳（メタデータ） (2021-06-07T06:21:20Z)
Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文参考訳（メタデータ） (2021-02-13T07:31:16Z)
Thompson Sampling Algorithms for Mean-Variance Bandits [97.43678751629189]
我々は平均分散MABのためのトンプソンサンプリング型アルゴリズムを開発した。我々はまた、ガウシアンとベルヌーイの盗賊に対する包括的後悔の分析も提供する。我々のアルゴリズムは、全てのリスク許容度に対して既存のLCBベースのアルゴリズムを著しく上回っている。
論文参考訳（メタデータ） (2020-02-01T15:33:50Z)

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。