論文の概要: Making Reliable and Flexible Decisions in Long-tailed Classification

• arxiv url: http://arxiv.org/abs/2501.14090v1
• Date: Thu, 23 Jan 2025 20:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:22.168669
• Title: Making Reliable and Flexible Decisions in Long-tailed Classification
• Title（参考訳）: ロングテール分類における信頼性とフレキシブルな決定
• Authors: Bolian Li, Ruqi Zhang,
• Abstract要約: RF-DLC(RF-DLC)は,長期化問題における信頼性予測を目的とした新しいフレームワークである。 本稿では,意思決定リスク目標に対する効率的な変分最適化手法を提案する。 実験的な評価では、テール感度リスクを定量化するための新しい指標であるFalse Head Rateを設計する。
• 参考スコア（独自算出の注目度）: 10.764160559530849
• License:
• Abstract: Long-tailed classification is challenging due to its heavy imbalance in class probabilities. While existing methods often focus on overall accuracy or accuracy for tail classes, they overlook a critical aspect: certain types of errors can carry greater risks than others in real-world long-tailed problems. For example, misclassifying patients (a tail class) as healthy individuals (a head class) entails far more serious consequences than the reverse scenario. To address this critical issue, we introduce Making Reliable and Flexible Decisions in Long-tailed Classification (RF-DLC), a novel framework aimed at reliable predictions in long-tailed problems. Leveraging Bayesian Decision Theory, we introduce an integrated gain to seamlessly combine long-tailed data distributions and the decision-making procedure. We further propose an efficient variational optimization strategy for the decision risk objective. Our method adapts readily to diverse utility matrices, which can be designed for specific tasks, ensuring its flexibility for different problem settings. In empirical evaluation, we design a new metric, False Head Rate, to quantify tail-sensitivity risk, along with comprehensive experiments on multiple real-world tasks, including large-scale image classification and uncertainty quantification, to demonstrate the reliability and flexibility of our method.
• Abstract（参考訳）: 長い尾の分類は、クラス確率の重い不均衡のために困難である。 既存の手法はしばしばテールクラスの全体的な正確さや正確さに重点を置いているが、それらは重要な側面を見落としている。 例えば、患者(尾級)を健康な個人(頭級)と誤分類することは、逆のシナリオよりもはるかに深刻な結果をもたらす。 この重要な問題に対処するために、長い尾の問題における信頼性の高い予測を目的とした新しいフレームワークであるRF-DLC(Make Reliable and Flexible Decisions in Long-tailed Classification)を導入する。 ベイズ決定理論を応用して、長い尾を持つデータ分布と意思決定手順をシームレスに結合する統合的なゲインを導入する。 さらに、意思決定リスク目標に対する効率的な変分最適化戦略を提案する。 本手法は,特定のタスクに対して設計可能な多種多様なユーティリティ行列に容易に適応し,異なる問題設定に対する柔軟性を確保する。 実験的な評価において,本手法の信頼性と柔軟性を示すために,大規模画像分類や不確実性定量化を含む複数の実世界のタスクに関する総合的な実験とともに,テール感度リスクを定量化するための新しい指標False Head Rateを設計した。

関連論文リスト

• 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)
• Neural Collapse Terminus: A Unified Solution for Class Incremental Learning and Its Variants [166.916517335816]
  本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。 ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。 本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
  論文  参考訳（メタデータ） (2023-08-03T13:09:59Z)
• A Generalizable Physics-informed Learning Framework for Risk Probability Estimation [1.5960546024967326]
  我々は,長期的リスクとその勾配の確率を評価するための効率的な手法を開発した。 提案手法は, 長期リスク確率が偏微分方程式を満たすという事実を利用する。 数値計算の結果,提案手法はサンプル効率が向上し,未確認領域への一般化が可能であり,パラメータを変化させたシステムに適応できることがわかった。
  論文  参考訳（メタデータ） (2023-05-10T19:44:42Z)
• On Uncertainty Calibration and Selective Generation in Probabilistic Neural Summarization: A Benchmark Study [14.041071717005362]
  要約のための最新のディープモデルは、優れたベンチマーク性能を得るが、誤校正された予測の不確実性を生成する傾向にある。 これは、低品質の予測に高い信頼性を割り当て、現実世界のアプリケーションにおける信頼性と信頼性を損なうことを意味する。 確率的深層学習法は誤校正問題の一般的な解法であるが, 複雑な自己回帰的要約タスクにおける相対的有効性はよく理解されていない。
  論文  参考訳（メタデータ） (2023-04-17T23:06:28Z)
• Long-tailed Classification from a Bayesian-decision-theory Perspective [6.599344783327054]
  長い尾の分類は、クラス確率の過度な不均衡と非対称な予測コストを伴う尾の感度リスクのために課題となる。 最近の試みでは、再分散損失とアンサンブル法を用いているが、理論的な説明が欠如しており、主に経験的な結果に大きく依存している。 本稿では,ベイズ決定理論の観点から,再バランス法やアンサンブル法を含む既存の手法を統一した一般原理的・原則的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-03-10T16:53:51Z)
• RISE: Robust Individualized Decision Learning with Sensitive Variables [1.5293427903448025]
  素直なベースラインは、決定規則を学習する際の繊細な変数を無視し、重大な不確実性と偏見をもたらすことである。 本稿では、オフライントレーニング中に機密変数を組み込む決定学習フレームワークを提案するが、モデル展開中に学習された決定ルールの入力には含まない。
  論文  参考訳（メタデータ） (2022-11-12T04:31:38Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)
• Hidden Cost of Randomized Smoothing [72.93630656906599]
  本稿では、現在のランダム化平滑化による副作用を指摘する。 具体的には,1)スムーズな分類器の決定境界が小さくなり,クラスレベルでの精度の相違が生じること,2)学習過程における雑音増強の適用は,一貫性のない学習目的による縮小問題を必ずしも解決しない,という2つの主要なポイントを具体化し,証明する。
  論文  参考訳（メタデータ） (2020-03-02T23:37:42Z)
• Precise Tradeoffs in Adversarial Training for Linear Regression [55.764306209771405]
  本稿では,ガウス的特徴を伴う線形回帰の文脈における対人訓練の役割を,正確かつ包括的に理解する。 我々は,同時代のミニマックス対逆訓練手法によって達成された標準/ロバスト精度とそれに対応するトレードオフを正確に特徴づける。 逆行訓練アルゴリズムの理論は、様々な要因(トレーニングデータのサイズや品質、モデルの過度化など)がこれらの2つの競合するアキュラシー間のトレードオフにどのように影響するかを厳密に研究する上で役立ちます。
  論文  参考訳（メタデータ） (2020-02-24T19:01:47Z)

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。