Fugu-MT 論文翻訳(概要): Robust Label Shift Quantification

論文の概要: Robust Label Shift Quantification

arxiv url: http://arxiv.org/abs/2502.03174v1
Date: Wed, 05 Feb 2025 13:51:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-06 14:26:48.947662
Title: Robust Label Shift Quantification
Title（参考訳）: ロバストラベルシフト量子化
Authors: Alexandre Lecestre,
Abstract要約: 本稿では,ラベル分布のロバストな推定器を提案する。以上の結果から,最大公試ラベルシフトのロバスト性に関する経験的観測の理論的検証が得られた。
参考スコア（独自算出の注目度）: 55.2480439325792
License:
Abstract: In this paper, we investigate the label shift quantification problem. We propose robust estimators of the label distribution which turn out to coincide with the Maximum Likelihood Estimator. We analyze the theoretical aspects and derive deviation bounds for the proposed method, providing optimal guarantees in the well-specified case, along with notable robustness properties against outliers and contamination. Our results provide theoretical validation for empirical observations on the robustness of Maximum Likelihood Label Shift.
Abstract（参考訳）: 本稿では,ラベルシフト定量化問題について検討する。本稿では,ラベル分布のロバストな推定器を提案する。提案手法の理論的側面を解析して偏差境界を導出し, 適切に特定された場合の最適保証と, 外れ値や汚染に対する顕著な堅牢性を提供する。以上の結果から,最大公試ラベルシフトのロバスト性に関する経験的観測の理論的検証が得られた。

関連論文リスト

Federated Generalised Variational Inference: A Robust Probabilistic Federated Learning Framework [12.454538785810259]
FedGVIは確率的フェデレートラーニング(FL)フレームワークで、事前およびおそらく誤特定に対して確実に堅牢である。固定点収束、空洞分布の最適性、証明可能なロバスト性の観点から理論的解析を行う。
論文参考訳（メタデータ） (2025-02-02T16:39:37Z)
Learning from Noisy Labels via Conditional Distributionally Robust Optimization [5.85767711644773]
クラウドソーシングは、大規模なデータセットをラベル付けするための実用的なソリューションとして現れました。これは、様々なレベルの専門知識を持つアノテータからのノイズの多いラベルによって、正確なモデルを学習する上で大きな課題となる。
論文参考訳（メタデータ） (2024-11-26T05:03:26Z)
Label Shift Quantification with Robustness Guarantees via Distribution Feature Matching [3.2013172123155615]
筆者らはまず,従来の文献で導入された様々な推定器の特定の例として回復する分散特徴マッチング(DFM)の統一フレームワークを提案する。次に、この解析を拡張し、正確なラベルシフト仮説から逸脱した不特定条件下でのDFM手順の堅牢性について検討する。これらの理論的発見は、シミュレーションおよび実世界のデータセットに関する詳細な数値的研究によって確認される。
論文参考訳（メタデータ） (2023-06-07T12:17:34Z)
Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文参考訳（メタデータ） (2023-05-17T17:47:19Z)
Regression with Label Differential Privacy [64.21020761920322]
与えられた回帰損失関数の下で最適なラベルDPランダム化機構を導出する。我々は、最適メカニズムが「ビンのランダム化応答」の形をとることを証明した。
論文参考訳（メタデータ） (2022-12-12T17:41:32Z)
Maximum Likelihood Uncertainty Estimation: Robustness to Outliers [3.673994921516517]
トレーニングデータのアウトレーヤやノイズラベルは、劣化したパフォーマンスと不確実性の誤った推定をもたらす。そこで本研究では,オフレイアに対するロバスト性を改善するために,重み付き分布を用いることを提案する。
論文参考訳（メタデータ） (2022-02-03T10:41:34Z)
Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文参考訳（メタデータ） (2022-01-21T02:46:57Z)
A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文参考訳（メタデータ） (2021-01-25T09:46:14Z)
Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。