論文の概要: Multiclass threshold-based classification
- arxiv url: http://arxiv.org/abs/2505.11276v1
- Date: Fri, 16 May 2025 14:11:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:15.192615
- Title: Multiclass threshold-based classification
- Title（参考訳）: 多クラスしきい値に基づく分類
- Authors: Francesco Marchetti, Edoardo Legnaro, Sabrina Guastavino,
- Abstract要約: 標準argmaxルールを一般化する多クラス分類のためのしきい値に基づくフレームワークを提案する。
多次元しきい値に基づく設定は、様々なネットワークやデータセット間で一貫した性能向上をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 2.66269503676104
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we introduce a threshold-based framework for multiclass classification that generalizes the standard argmax rule. This is done by replacing the probabilistic interpretation of softmax outputs with a geometric one on the multidimensional simplex, where the classification depends on a multidimensional threshold. This change of perspective enables for any trained classification network an a posteriori optimization of the classification score by means of threshold tuning, as usually carried out in the binary setting. This allows a further refinement of the prediction capability of any network. Moreover, this multidimensional threshold-based setting makes it possible to define score-oriented losses, which are based on the interpretation of the threshold as a random variable. Our experiments show that the multidimensional threshold tuning yields consistent performance improvements across various networks and datasets, and that the proposed multiclass score-oriented losses are competitive with standard loss functions, resembling the advantages observed in the binary case.
- Abstract（参考訳）: 本稿では、標準argmaxルールを一般化するマルチクラス分類のためのしきい値に基づくフレームワークを提案する。
これは、ソフトマックス出力の確率論的解釈を、分類が多次元しきい値に依存する多次元単純体上の幾何学的解釈に置き換えることによって行われる。
このパースペクティブの変化は、任意のトレーニングされた分類ネットワークに対して、通常バイナリ設定で実行されるように、しきい値チューニングによる分類スコアの後方最適化を可能にする。
これにより、任意のネットワークの予測能力をさらに改善することができる。
さらに、この多次元しきい値に基づく設定により、閾値をランダム変数として解釈したスコア指向の損失を定義できる。
実験により,多次元しきい値調整は様々なネットワークやデータセット間で一貫した性能向上を達成し,提案したマルチクラススコア指向の損失は,二分法の場合の利点に類似した標準的な損失関数と競合することを示した。
関連論文リスト
- 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) - Maximally Compact and Separated Features with Regular Polytope Networks [22.376196701232388]
本稿では, CNN から抽出する方法として, クラス間分離性とクラス間圧縮性の特性について述べる。
我々は、よく知られた citewen2016discriminative や他の類似したアプローチで得られる特徴と類似した特徴を得る。
論文 参考訳（メタデータ） (2023-01-15T15:20:57Z) - Hierarchical classification at multiple operating points [1.520694326234112]
階層内の各クラスにスコアを割り当てる任意のメソッドに対して,演算特性曲線を生成する効率的なアルゴリズムを提案する。
2つの新しい損失関数を提案し、構造的ヒンジ損失のソフトな変形が平坦なベースラインを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2022-10-19T23:36:16Z) - Layer Ensembles [95.42181254494287]
本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。
その結果,メモリと実行時間が少なくなるモデルが得られた。
論文 参考訳（メタデータ） (2022-10-10T17:52:47Z) - On the rate of convergence of a classifier based on a Transformer
encoder [55.41148606254641]
最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。
この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
論文 参考訳（メタデータ） (2021-11-29T14:58:29Z) - An evidential classifier based on Dempster-Shafer theory and deep
learning [6.230751621285322]
Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
論文 参考訳（メタデータ） (2021-03-25T01:29:05Z) - Margin-Based Transfer Bounds for Meta Learning with Deep Feature
Embedding [67.09827634481712]
我々は、マージン理論と統計学習理論を活用し、メタラーニングに基づくマルチクラス分類(MLMC)のための3つのマージンベース転送境界を確立する。
これらの境界は、与えられた将来のタスクに対する分類アルゴリズムの予測誤差を、前のタスクの有限個の平均的な経験誤差で推定できることを示している。
3つのベンチマークの実験は、これらのマージンベースのモデルが依然として競争力のある性能を達成していることを示している。
論文 参考訳（メタデータ） (2020-12-02T23:50:51Z)
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。