論文の概要: dlordinal: a Python package for deep ordinal classification

• arxiv url: http://arxiv.org/abs/2407.17163v1
• Date: Wed, 24 Jul 2024 11:07:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 14:14:00.009140
• Title: dlordinal: a Python package for deep ordinal classification
• Title（参考訳）: dlordinal: 詳細な順序分類のためのPythonパッケージ
• Authors: Francisco Bérchez-Moreno, Víctor M. Vargas, Rafael Ayllón-Gavilán, David Guijo-Rubio, César Hervás-Martínez, Juan C. Fernández, Pedro A. Gutiérrez,
• Abstract要約: dlordinalは、最近の多くのディープ順序分類方法論を統合する新しいPythonライブラリである。 日常的な分類問題に対して、最先端のディープラーニング技術を実装している。
• 参考スコア（独自算出の注目度）: 3.420642569478584
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: dlordinal is a new Python library that unifies many recent deep ordinal classification methodologies available in the literature. Developed using PyTorch as underlying framework, it implements the top performing state-of-the-art deep learning techniques for ordinal classification problems. Ordinal approaches are designed to leverage the ordering information present in the target variable. Specifically, it includes loss functions, various output layers, dropout techniques, soft labelling methodologies, and other classification strategies, all of which are appropriately designed to incorporate the ordinal information. Furthermore, as the performance metrics to assess novel proposals in ordinal classification depend on the distance between target and predicted classes in the ordinal scale, suitable ordinal evaluation metrics are also included. dlordinal is distributed under the BSD-3-Clause license and is available at https://github.com/ayrna/dlordinal.
• Abstract（参考訳）: dlordinalは新しいPythonライブラリで、文献で利用可能な多くの最近のディープ順序分類方法論を統合する。 基礎となるフレームワークとしてPyTorchを使用して開発されたこのフレームワークは、日常的な分類問題に対して、最先端のディープラーニング技術を実装している。 通常のアプローチは、ターゲット変数に存在する順序付け情報を活用するように設計されている。 具体的には、損失関数、様々な出力層、ドロップアウトテクニック、ソフトラベリング手法、その他の分類戦略を含み、これらすべてが順序情報を適切に組み込むように設計されている。 さらに、順序分類における新規提案を評価するための性能指標は、順序尺度における目標クラスと予測クラスの距離に依存するため、適切な順序評価指標も含んでいる。 dlordinalはBSD-3-Clauseライセンスで配布されており、https://github.com/ayrna/dlordinal.comで入手できる。

関連論文リスト

• Harnessing Superclasses for Learning from Hierarchical Databases [1.835004446596942]
  多くの大規模分類問題において、クラスは既知の階層に整理され、通常木として表される。 この種の教師付き階層分類の損失について紹介する。 提案手法では,クロスエントロピーの損失に比較して,計算コストの大幅な増大は伴わない。
  論文  参考訳（メタデータ） (2024-11-25T14:39:52Z)
• Improving the classification of extreme classes by means of loss regularisation and generalised beta distributions [8.640930010669042]
  本稿では,一級・一級の分類性能を向上させるための一級正規化手法を提案する。 極端なクラスのパフォーマンスは、その感度を考慮に入れた新しいメトリクスを使って比較される。 提案手法により, 一般化されたベータ分布は, 極端なクラスにおける分類性能を向上することが示された。
  論文  参考訳（メタデータ） (2024-07-17T08:57:42Z)
• Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
  順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。 本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:04:06Z)
• Ord2Seq: Regarding Ordinal Regression as Label Sequence Prediction [13.844821175622794]
  我々はOrd2Seqと呼ばれる順序回帰のための簡単なシーケンス予測フレームワークを提案する。 順序回帰タスクを一連の二分分類ステップに分解し、隣接するカテゴリを微妙に区別する。 我々の新しいアプローチは、4つの異なるシナリオにおける最先端のパフォーマンスを上回る。
  論文  参考訳（メタデータ） (2023-07-18T06:44:20Z)
• Learning-to-Rank Meets Language: Boosting Language-Driven Ordering Alignment for Ordinal Classification [60.28913031192201]
  順序分類のための新しい言語駆動順序付け手法を提案する。 事前学習された視覚言語モデルの最近の発展は、人間の言語におけるリッチな順序性を活用するきっかけとなった。 顔の年齢推定,ヒストリカルカラーイメージ(HCI)分類,美的評価を含む3つの日常的分類課題の実験は,その有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-24T04:11:31Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Inducing a hierarchy for multi-class classification problems [11.58041597483471]
  分類的ラベルが自然な階層に従ったアプリケーションでは、ラベル構造を利用する分類方法は、そうでないものをしばしば上回る。 本稿では,フラット分類器に対する分類性能を向上できる階層構造を誘導する手法のクラスについて検討する。 原理シミュレーションと3つの実データアプリケーションにおいて、潜入階層の発見と精度向上のためのメソッドのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-20T05:40:42Z)
• Rank over Class: The Untapped Potential of Ranking in Natural Language Processing [8.637110868126546]
  我々は、現在分類を用いて対処されている多くのタスクが、実際には分類モールドに切り替わっていると論じる。 本稿では,一対のテキストシーケンスの表現を生成するトランスフォーマーネットワークからなる新しいエンドツーエンドランキング手法を提案する。 重く歪んだ感情分析データセットの実験では、ランキング結果を分類ラベルに変換すると、最先端のテキスト分類よりも約22%改善する。
  論文  参考訳（メタデータ） (2020-09-10T22:18:57Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)
• Cautious Active Clustering [79.23797234241471]
  ユークリッド空間上の未知の確率測度からサンプリングされた点の分類の問題を考える。 我々のアプローチは、未知の確率測度を、各クラスに対する条件付き確率の凸結合として考えることである。
  論文  参考訳（メタデータ） (2020-08-03T23:47:31Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

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。