論文の概要: Conformal Risk Control for Ordinal Classification

• arxiv url: http://arxiv.org/abs/2405.00417v1
• Date: Wed, 1 May 2024 09:55:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 16:07:30.682235
• Title: Conformal Risk Control for Ordinal Classification
• Title（参考訳）: 規則分類のためのコンフォーマルリスク制御
• Authors: Yunpeng Xu, Wenge Guo, Zhi Wei,
• Abstract要約: 我々は,多くの実問題に適用可能な順序分類タスクの予測における共形リスクの制御を模索する。 そこで我々は,2種類の損失関数を特殊に設計し,各ケースの予測セットを決定するアルゴリズムを開発した。 提案手法の有効性を実証し、3つの異なるデータセットにおける2種類のリスクの違いを分析した。
• 参考スコア（独自算出の注目度）: 2.0189665663352936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a natural extension to the standard conformal prediction method, several conformal risk control methods have been recently developed and applied to various learning problems. In this work, we seek to control the conformal risk in expectation for ordinal classification tasks, which have broad applications to many real problems. For this purpose, we firstly formulated the ordinal classification task in the conformal risk control framework, and provided theoretic risk bounds of the risk control method. Then we proposed two types of loss functions specially designed for ordinal classification tasks, and developed corresponding algorithms to determine the prediction set for each case to control their risks at a desired level. We demonstrated the effectiveness of our proposed methods, and analyzed the difference between the two types of risks on three different datasets, including a simulated dataset, the UTKFace dataset and the diabetic retinopathy detection dataset.
• Abstract（参考訳）: 標準共形予測法の自然な拡張として、近年、様々な学習問題にいくつかの共形リスク制御法が開発され、適用されている。 本研究では,多くの実問題に適用可能な順序分類タスクの予測における共形リスクの制御を試みる。 本研究は,まず,共形リスク制御フレームワークにおける順序分類タスクを定式化し,リスク制御手法の理論的リスク境界を提供する。 そこで,2種類の損失関数を提案し,各ケースの予測セットを決定するアルゴリズムを開発し,それらのリスクを所望のレベルで制御した。 提案手法の有効性を実証し, シミュレーションデータセット, UTKFaceデータセット, 糖尿病網膜症検出データセットを含む3種類のデータセットにおける2種類のリスクの差異を解析した。

関連論文リスト

• Two-stage Conformal Risk Control with Application to Ranked Retrieval [1.8481458455172357]
  2段階のランク付け検索は、機械学習システムにとって重要な課題である。 両段階の閾値を共同で同定し,各段階のリスクを制御するための統合的アプローチを提案する。 提案アルゴリズムは,全ての可能なしきい値に対して,重み付けされた予測セットサイズの組み合わせをさらに最適化することにより,より効率的な予測セットを実現する。
  論文  参考訳（メタデータ） (2024-04-27T03:37:12Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Quantifying Uncertainty in Deep Learning Classification with Noise in Discrete Inputs for Risk-Based Decision Making [1.529943343419486]
  本稿では,Deep Neural Network(DNN)モデルの予測不確実性を定量化する数学的枠組みを提案する。 予測の不確実性は、既知の有限離散分布に従う予測器の誤差から生じる。 提案フレームワークは,予測器の離散誤差が存在する場合のアプリケーションにおけるリスクベースの意思決定を支援する。
  論文  参考訳（メタデータ） (2023-10-09T19:26:24Z)
• Anomaly detection with semi-supervised classification based on risk estimators [4.519754139322585]
  本稿では,2つの新しい分類に基づく異常検出手法を提案する。 まず、偏りのないリスク推定器に基づく半教師付き浅層異常検出手法を提案する。 次に,非負(バイアス)リスク推定器を用いた半教師付き深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:30:48Z)
• Deep Learning for Systemic Risk Measures [3.274367403737527]
  本研究の目的は,システム的リスク対策のための新しい方法論の枠組みを検討することである。 この新たな枠組みの下で、システム的リスク対策は、集約されたシステムを保護する最小限の現金として解釈できる。 ディープラーニングは、金融モデリングやリスク管理においてますます注目を集めている。
  論文  参考訳（メタデータ） (2022-07-02T05:01:19Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
  本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。 既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。 経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T03:49:04Z)
• 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)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Feedback Effects in Repeat-Use Criminal Risk Assessments [0.0]
  リスクは、単発テストで捉えられていない方法で、シーケンシャルな決定を伝達できることを示します。 リスクアセスメントツールは、非常に複雑でパスに依存したプロセスで動作し、歴史的な不平等が引き起こされる。
  論文  参考訳（メタデータ） (2020-11-28T06:40:05Z)

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。