Fugu-MT 論文翻訳(概要): Stacked Confusion Reject Plots (SCORE)

論文の概要: Stacked Confusion Reject Plots (SCORE)

arxiv url: http://arxiv.org/abs/2406.17346v1
Date: Tue, 25 Jun 2024 07:59:29 GMT
ステータス: 処理完了
システム内更新日: 2024-06-26 15:11:49.083465
Title: Stacked Confusion Reject Plots (SCORE)
Title（参考訳）: Stacked Confusion Reject Plots (SCORE)
Authors: Stephan Hasler, Lydia Fischer,
Abstract要約: 我々は、共通の拒絶曲線は抽象的すぎるし、非専門家による解釈が難しいと論じる。使用済みデータのより直感的な理解を提供するスタックド・コンフュージョン・リジェクト・プロット(SCORE)を提案する。
参考スコア（独自算出の注目度）: 0.7673339435080445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning is more and more applied in critical application areas like health and driver assistance. To minimize the risk of wrong decisions, in such applications it is necessary to consider the certainty of a classification to reject uncertain samples. An established tool for this are reject curves that visualize the trade-off between the number of rejected samples and classification performance metrics. We argue that common reject curves are too abstract and hard to interpret by non-experts. We propose Stacked Confusion Reject Plots (SCORE) that offer a more intuitive understanding of the used data and the classifier's behavior. We present example plots on artificial Gaussian data to document the different options of SCORE and provide the code as a Python package.
Abstract（参考訳）: 機械学習は、健康や運転支援といった重要な応用分野にますます応用されてきている。誤った決定のリスクを最小限に抑えるためには、不確実なサンプルを拒絶するために分類の確実性を検討する必要がある。このための確立されたツールは、拒否されたサンプルの数と分類パフォーマンスメトリクスの間のトレードオフを視覚化する拒否曲線である。我々は、共通の拒絶曲線は抽象的すぎるし、非専門家による解釈が難しいと論じる。使用済みデータと分類器の振舞いをより直感的に理解するスタックド・コンフュージョン・リジェクト・プロット(SCORE)を提案する。人工ガウスデータの例を示し、SCOREの様々なオプションを文書化し、Pythonパッケージとしてコードを提供する。

関連論文リスト

Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文参考訳（メタデータ） (2024-05-29T01:32:17Z)
Logic-based Explanations for Linear Support Vector Classifiers with Reject Option [0.0]
Support Vector (SVC) は線形分類問題に対する機械学習(ML)モデルとしてよく知られている。本稿では、リジェクションオプション付き線形SVCに対する説明の正確性と最小性に関する形式的保証付き論理ベースのアプローチを提案する。
論文参考訳（メタデータ） (2024-03-24T15:14:44Z)
Dirichlet-Based Prediction Calibration for Learning with Noisy Labels [40.78497779769083]
雑音ラベルによる学習はディープニューラルネットワーク(DNN)の一般化性能を著しく損なう既存のアプローチでは、損失補正やサンプル選択手法によってこの問題に対処している。そこで我々は,textitDirichlet-based Prediction (DPC) 法を解法として提案する。
論文参考訳（メタデータ） (2024-01-13T12:33:04Z)
Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文参考訳（メタデータ） (2023-12-02T16:23:52Z)
XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文参考訳（メタデータ） (2023-10-09T08:07:04Z)
Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文参考訳（メタデータ） (2023-03-21T09:07:15Z)
Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-06T14:49:59Z)
Learning When to Say "I Don't Know" [0.5505634045241288]
本稿では,決定空間における不確実性領域を識別・除去するリジェクトオプション分類手法を提案する。そこで我々は,相補的拒絶領域を解析し,クラスごとのソフトマックス閾値を学習するための検証セットを用いることにより,代替的な定式化を検討する。提案手法の利点を,2次元点,画像,テキスト分類データセットを用いて評価した。
論文参考訳（メタデータ） (2022-09-11T21:50:03Z)
Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
論文参考訳（メタデータ） (2022-07-07T16:59:53Z)
Autoencoder Attractors for Uncertainty Estimation [13.618797548020462]
本稿では,オートエンコーダモデルに基づく不確実性推定手法を提案する。提案手法は,車室内における占有者分類の産業的応用だけでなく,いくつかのデータセットの組み合わせについても検討した。
論文参考訳（メタデータ） (2022-04-01T12:10:06Z)
RISAN: Robust Instance Specific Abstention Network [13.303728978965072]
本稿では、インスタンスのアプスタンス(リジェクトオプション)のバイナリ分類を学習するためのディープアーキテクチャを提案する。提案手法は、Kulin Shah と Naresh Manwani によって記述された二重シグモイド損失関数を用いる。提案手法は最先端の手法に匹敵するだけでなく,ラベルノイズに対しても頑健である。
論文参考訳（メタデータ） (2021-07-07T09:14:54Z)

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。