論文の概要: Meta-learning for Positive-unlabeled Classification

• arxiv url: http://arxiv.org/abs/2406.03680v1
• Date: Thu, 6 Jun 2024 01:50:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 18:45:29.521997
• Title: Meta-learning for Positive-unlabeled Classification
• Title（参考訳）: 肯定的未ラベル分類のためのメタラーニング
• Authors: Atsutoshi Kumagai, Tomoharu Iwata, Yasuhiro Fujiwara,
• Abstract要約: 提案手法は,モデルがPUデータに適用された後のテスト分類リスクを最小限に抑える。 この方法は各インスタンスをニューラルネットワークを使ってタスク固有の空間に埋め込む。 提案手法は1つの実世界のデータセットと3つの実世界のデータセットで既存の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 40.11462237689747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a meta-learning method for positive and unlabeled (PU) classification, which improves the performance of binary classifiers obtained from only PU data in unseen target tasks. PU learning is an important problem since PU data naturally arise in real-world applications such as outlier detection and information retrieval. Existing PU learning methods require many PU data, but sufficient data are often unavailable in practice. The proposed method minimizes the test classification risk after the model is adapted to PU data by using related tasks that consist of positive, negative, and unlabeled data. We formulate the adaptation as an estimation problem of the Bayes optimal classifier, which is an optimal classifier to minimize the classification risk. The proposed method embeds each instance into a task-specific space using neural networks. With the embedded PU data, the Bayes optimal classifier is estimated through density-ratio estimation of PU densities, whose solution is obtained as a closed-form solution. The closed-form solution enables us to efficiently and effectively minimize the test classification risk. We empirically show that the proposed method outperforms existing methods with one synthetic and three real-world datasets.
• Abstract（参考訳）: 本稿では, PUデータのみから得られる2値分類器の性能を向上させることを目的とした, 正・ラベルなし(PU)分類のためのメタラーニング手法を提案する。 PU学習は,外乱検出や情報検索といった現実世界のアプリケーションにおいて,PUデータが自然に発生するため,重要な問題である。 既存のPU学習方法は多数のPUデータを必要とするが、実際には十分なデータは利用できないことが多い。 提案手法は,正,負,未ラベルのデータからなる関連するタスクを用いて,モデルがPUデータに適用された後のテスト分類リスクを最小化する。 分類リスクを最小化する最適分類器であるベイズ最適分類器の推定問題として適応を定式化する。 提案手法は,ニューラルネットワークを用いて各インスタンスをタスク固有の空間に埋め込む。 埋込PUデータを用いて、解を閉形式解として得られるPU密度の密度比推定によりベイズ最適分類器を推定する。 クローズドフォームのソリューションにより、テスト分類のリスクを効果的かつ効果的に最小化できる。 提案手法は1つの実世界のデータセットと3つの実世界のデータセットで既存の手法よりも優れていることを示す。

関連論文リスト

• PUAL: A Classifier on Trifurcate Positive-Unlabeled Data [29.617810881312867]
  非対称損失(PUAL)を有するPU分類器を提案する。 我々は、PUALが非線形決定境界を得ることを可能にするカーネルベースのアルゴリズムを開発した。 シミュレーションと実世界の両方のデータセットの実験を通して、PUALはトリフルケートデータの良好な分類を実現できることを示す。
  論文  参考訳（メタデータ） (2024-05-31T16:18:06Z)
• Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection [0.0]
  オープンセット認識(OSR)は、より現実に近い状況に分類タスクを導入することを目的としている。 本研究は,OSRタスクの分類を改善するために,特徴空間の新たな表現を探索するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-05-09T15:15:34Z)
• Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach [0.9217021281095907]
  異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。 誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-03T06:13:22Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-09T21:12:46Z)
• Prompt-driven efficient Open-set Semi-supervised Learning [52.30303262499391]
  オープンセット半教師付き学習(OSSL)は関心を集めており、未ラベルデータにのみOOD(Out-of-distribution)サンプルが組み込まれているというより実践的なシナリオを調査している。 我々はOpenPromptと呼ばれる,プロンプト駆動の効率的なOSSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:25:08Z)
• Learning from Positive and Unlabeled Data with Augmented Classes [17.97372291914351]
  Augmented Classes (PUAC) を用いたPU学習のための非バイアスリスク推定器を提案する。 提案手法は,最適解への収束を理論的に保証する推定誤差を導出する。
  論文  参考訳（メタデータ） (2022-07-27T03:40:50Z)
• Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
  デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。 本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
  論文  参考訳（メタデータ） (2022-07-15T12:13:04Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Active Weighted Aging Ensemble for Drifted Data Stream Classification [2.277447144331876]
  概念ドリフトは分類モデルの性能を不安定化し、その品質を著しく低下させる。 提案手法は実データストリームと実データストリームの両方を用いて計算機実験により評価されている。 その結果,提案アルゴリズムは最先端手法よりも高品質であることが確認された。
  論文  参考訳（メタデータ） (2021-12-19T13:52:53Z)
• Positive-Unlabeled Classification under Class-Prior Shift: A Prior-invariant Approach Based on Density Ratio Estimation [85.75352990739154]
  密度比推定に基づく新しいPU分類法を提案する。 提案手法の顕著な利点は、訓練段階においてクラスプライヤを必要としないことである。
  論文  参考訳（メタデータ） (2021-07-11T13:36:53Z)

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。