論文の概要: Reliable Classification with Conformal Learning and Interval-Type 2 Fuzzy Sets

• arxiv url: http://arxiv.org/abs/2504.15360v1
• Date: Mon, 21 Apr 2025 18:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-01 01:59:35.092065
• Title: Reliable Classification with Conformal Learning and Interval-Type 2 Fuzzy Sets
• Title（参考訳）: コンフォーマルラーニングとインターバル型2ファジィ集合を用いた信頼度分類
• Authors: Javier Fumanal-Idocin, Javier Andreu-Perez,
• Abstract要約: 本稿では,ファジィルールベースのシステムによる共形学習を分類に利用し,その有効性を示す。 本稿では,2型ファジィ集合の使用によって,ファジィとクリップの両ルールと比較して,システムの出力品質が向上する方法について論じる。
• 参考スコア（独自算出の注目度）: 0.9668407688201361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical machine learning classifiers tend to be overconfident can be unreliable outside of the laboratory benchmarks. Properly assessing the reliability of the output of the model per sample is instrumental for real-life scenarios where these systems are deployed. Because of this, different techniques have been employed to properly quantify the quality of prediction for a given model. These are most commonly Bayesian statistics and, more recently, conformal learning. Given a calibration set, conformal learning can produce outputs that are guaranteed to cover the target class with a desired significance level, and are more reliable than the standard confidence intervals used by Bayesian methods. In this work, we propose to use conformal learning with fuzzy rule-based systems in classification and show some metrics of their performance. Then, we discuss how the use of type 2 fuzzy sets can improve the quality of the output of the system compared to both fuzzy and crisp rules. Finally, we also discuss how the fine-tuning of the system can be adapted to improve the quality of the conformal prediction.
• Abstract（参考訳）: 古典的な機械学習分類器は、実験室のベンチマーク以外では信頼できない傾向にある。 サンプルあたりのモデルの出力の信頼性を適切に評価することは、これらのシステムがデプロイされる現実的なシナリオに役立ちます。 このため、与えられたモデルの予測品質を適切に定量化するために異なる手法が採用されている。 これらは一般にベイズ統計学であり、最近では共形学習も行われている。 校正セットが与えられた場合、共形学習は対象クラスを所望の意義レベルでカバーすることが保証され、ベイズ法で用いられる標準信頼区間よりも信頼性が高い出力を生成することができる。 本研究では,ファジィルールに基づくシステムを用いた共形学習を用いて分類し,その有効性を示す。 次に,2型ファジィセットの使用によって,ファジィとクリップの双方のルールと比較して,システムの出力品質が向上する可能性について論じる。 最後に, システムの微調整が適合予測の品質向上にどのように適応できるかについても論じる。

関連論文リスト

• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Calibration-Aware Bayesian Learning [37.82259435084825]
  本稿では、キャリブレーション対応ベイズニューラルネットワーク(CA-BNN)と呼ばれる統合フレームワークを提案する。 ベイズ学習のように変分分布を最適化しながら、データ依存あるいはデータ非依存の正則化をそれぞれ適用する。 予測キャリブレーション誤差(ECE)と信頼性図を用いて,提案手法の利点を検証した。
  論文  参考訳（メタデータ） (2023-05-12T14:19:15Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• 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)
• Quantifying the Uncertainty of Precision Estimates for Rule based Text Classifiers [0.0]
  キーサブストリングの存在と欠如を利用して分類決定を行うルールベースの分類器は、それらの精度の不確かさを定量化する自然なメカニズムを持つ。 バイナリ分類器にとって重要な洞察は、文書によって誘導される部分弦集合の分割をベルヌーイ確率変数として扱うことである。 このアプローチの実用性は、ベンチマーク問題で実証されている。
  論文  参考訳（メタデータ） (2020-05-19T03:51:47Z)
• On Evaluating the Quality of Rule-Based Classification Systems [0.0]
  ルールベースの分類システムの品質を評価するために、2つの指標が使用される。 これら2つの指標は不十分である可能性があり、追加の品質対策を開発する必要がある。 理論的には、「良い」予測精度とカバレッジを示す分類システムは、にもかかわらず、自明に改善できることが示される。
  論文  参考訳（メタデータ） (2020-04-06T13:41:49Z)
• Binary Classification from Positive Data with Skewed Confidence [85.18941440826309]
  肯定的信頼度(Pconf)分類は、有望な弱教師付き学習法である。 実際には、信頼はアノテーションプロセスで生じるバイアスによって歪められることがある。 本稿では、スキュード信頼度のパラメータ化モデルを導入し、ハイパーパラメータを選択する方法を提案する。
  論文  参考訳（メタデータ） (2020-01-29T00:04:36Z)

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。