論文の概要: Structured Prediction with Abstention via the Lovász Hinge

• arxiv url: http://arxiv.org/abs/2505.06446v1
• Date: Fri, 09 May 2025 21:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.846094
• Title: Structured Prediction with Abstention via the Lovász Hinge
• Title（参考訳）: Lovász Hingeを用いた構造予測
• Authors: Jessie Finocchiaro, Rafael Frongillo, Enrique Nueve,
• Abstract要約: 評価に使用する集合関数がモジュラーでない限り, Lov'asz ヒンジは所望の目標と矛盾しないことを示す。 本稿では,Ramaswamy等のバイナリエンコーディング構造とリンク構造を組み合わせることで,構造的不確定問題の自然多重クラスに対する効率的な一貫したサロゲートを実現できることを示す。
• 参考スコア（独自算出の注目度）: 0.24578723416255752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Lov\'asz hinge is a convex loss function proposed for binary structured classification, in which k related binary predictions jointly evaluated by a submodular function. Despite its prevalence in image segmentation and related tasks, the consistency of the Lov\'asz hinge has remained open. We show that the Lov\'asz hinge is inconsistent with its desired target unless the set function used for evaluation is modular. Leveraging the embedding framework of Finocchiaro et al. (2024), we find the target loss for which the Lov\'asz hinge is consistent. This target, which we call the structured abstain problem, is a variant of selective classification for structured prediction that allows one to abstain on any subset of the k binary predictions. We derive a family of link functions, each of which is simultaneously consistent for all polymatroids, a subset of submodular set functions. We then give sufficient conditions on the polymatroid for the structured abstain problem to be tightly embedded by the Lov\'asz hinge, meaning no target prediction is redundant. We experimentally demonstrate the potential of the structured abstain problem for interpretability in structured classification tasks. Finally, for the multiclass setting, we show that one can combine the binary encoding construction of Ramaswamy et al. (2018) with our link construction to achieve an efficient consistent surrogate for a natural multiclass generalization of the structured abstain problem.
• Abstract（参考訳）: Lov\'asz ヒンジ(英: Lov\'asz hinge)は、二項構造分類のために提案された凸損失関数で、k に関連する二項予測を部分モジュラ函数によって共同で評価する。 画像のセグメンテーションや関連するタスクに人気があるにもかかわらず、Lov\'asz ヒンジの一貫性は依然として維持されている。 評価に使用する集合関数がモジュラーでない限り, Lov\'asz ヒンジは所望の目標と矛盾しないことを示す。 Finocchiaro et al (2024) の埋め込みフレームワークを活用すると、Lov\'asz ヒンジが一貫したターゲット損失が見つかる。 このターゲットは構造的棄損問題と呼ばれ、構造的予測のための選択的分類の変種であり、k 個の二進予想の任意の部分集合上での棄損を可能にする。 リンク関数の族を導出し、それぞれが部分モジュラー集合関数の部分集合であるすべてのポリマトロイドに対して同時に整合である。 次に、構造的確率問題に対するポリマトロイド上の十分条件を Lov\'asz hinge に密着させる。 構造的分類タスクにおける解釈可能性に対する構造的確率問題の可能性について実験的に検証した。 最後に、マルチクラス設定において、Ramaswamy et al (2018) のバイナリエンコーディング構造とリンク構造を組み合わせることで、構造化されたabtain問題の自然多クラス一般化のための効率的な一貫したサロゲートを実現することができることを示す。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
  本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。 本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
  論文  参考訳（メタデータ） (2022-05-17T01:41:06Z)
• The Structured Abstain Problem and the Lov\'asz Hinge [0.5156484100374059]
  集合関数がモジュラーでない限り、Lov'asz ヒンジは所望の目標に対して矛盾しないことを示す。 2つのリンク関数を導出し、それぞれがすべての部分モジュラー集合関数に対して同時に整合である。
  論文  参考訳（メタデータ） (2022-03-16T14:30:25Z)
• Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
  選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。 このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
  論文  参考訳（メタデータ） (2021-10-26T17:39:18Z)
• Inducing Transformer's Compositional Generalization Ability via Auxiliary Sequence Prediction Tasks [86.10875837475783]
  体系的な構成性は人間の言語において必須のメカニズムであり、既知の部品の組換えによって新しい表現を作り出すことができる。 既存のニューラルモデルには、記号構造を学習する基本的な能力がないことが示されている。 本稿では,関数の進行と引数のセマンティクスを追跡する2つの補助シーケンス予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-30T16:41:19Z)
• Taming Adversarial Robustness via Abstaining [7.1975923901054575]
  我々は,観測を逆境によって摂動させることができる二元分類問題を考える。 我々は、予測に対する信頼度が低い場合に、分類器が決定を棄却する断定オプションを含む。 本研究では, 減衰領域の選択方法に関係なく, 両指標のトレードオフが存在することを示した。
  論文  参考訳（メタデータ） (2021-04-06T07:36:48Z)
• Predictive Value Generalization Bounds [27.434419027831044]
  本稿では,二項分類の文脈におけるスコアリング関数の評価のためのビクテリオンフレームワークについて検討する。 本研究では,新しい分布自由な大偏差と一様収束境界を導出することにより,予測値に関するスコアリング関数の特性について検討する。
  論文  参考訳（メタデータ） (2020-07-09T21:23:28Z)
• Achieving robustness in classification using optimal transport with hinge regularization [7.780418853571034]
  最適輸送に基づく二項分類のための新しいフレームワークを提案する。 我々は、ワッサーシュタイン距離推定のためのカントロビッチ・ルビンシュタイン双対定式化のヒンジ正規化版である新しい損失を用いて1-Lipschitzネットワークを学習する。
  論文  参考訳（メタデータ） (2020-06-11T15:36:23Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)

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。

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。