論文の概要: Recalibrating binary probabilistic classifiers

• arxiv url: http://arxiv.org/abs/2505.19068v1
• Date: Sun, 25 May 2025 10:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.880388
• Title: Recalibrating binary probabilistic classifiers
• Title（参考訳）: 2値確率型分類器の校正
• Authors: Dirk Tasche,
• Abstract要約: 信用リスク管理などの分野では、バイナリ確率的分類器を対象の事前確率に再分類することが重要な課題である。 分布シフトの観点から再校正法を解析した結果,曲線下の領域に関連付けられた分布シフト仮定は,有意義な再校正法の設計に有用であることが判明した。
• 参考スコア（独自算出の注目度）: 1.3053649021965603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recalibration of binary probabilistic classifiers to a target prior probability is an important task in areas like credit risk management. We analyse methods for recalibration from a distribution shift perspective. Distribution shift assumptions linked to the area under the curve (AUC) of a probabilistic classifier are found to be useful for the design of meaningful recalibration methods. Two new methods called parametric covariate shift with posterior drift (CSPD) and ROC-based quasi moment matching (QMM) are proposed and tested together with some other methods in an example setting. The outcomes of the test suggest that the QMM methods discussed in the paper can provide appropriately conservative results in evaluations with concave functionals like for instance risk weights functions for credit risk.
• Abstract（参考訳）: 信用リスク管理などの分野では、バイナリ確率的分類器を対象の事前確率に再分類することが重要な課題である。 分布シフトの観点から再校正手法を解析する。 確率的分類器の曲線(AUC)の下の領域に関連付けられた分布シフト仮定は、有意義な再校正法の設計に有用である。 後方ドリフト(CSPD)とROCベースの準モーメントマッチング(QMM)という2つの新しい手法が提案され,他の手法とともにテストされている。 本試験の結果から, リスク重み関数などの凹凸関数を用いた信用リスク評価において, 適切な保守的結果が得られることが示唆された。

関連論文リスト

• Likelihood-Ratio Regularized Quantile Regression: Adapting Conformal Prediction to High-Dimensional Covariate Shifts [35.16750653336608]
  ピンボール損失を正規化の新たな選択と組み合わせた正準比正則化量子回帰アルゴリズムを提案する。 LR-QR法は,対象領域の所望レベルにおいて,最小限の誤差項までカバレッジを有することを示す。 実験により、LR-QRアルゴリズムは、高次元予測タスクにおいて既存の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-02-18T16:46:44Z)
• Joint empirical risk minimization for instance-dependent positive-unlabeled data [4.112909937203119]
  正とラベルなしのデータ(PU学習)からの学習は、機械学習のタスクとして積極的に研究されている。 目標は、ラベル付きインスタンスとラベルなしインスタンスの一部を含むデータセットに基づいて、バイナリ分類モデルをトレーニングすることだ。 ラベルなし集合は、残りの部分の正と全ての負の観察を含む。
  論文  参考訳（メタデータ） (2023-12-27T12:45:12Z)
• Conformalized Unconditional Quantile Regression [27.528258690139793]
  コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。 提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
  論文  参考訳（メタデータ） (2023-04-04T00:20:26Z)
• Probabilistic learning constrained by realizations using a weak formulation of Fourier transform of probability measures [0.0]
  本稿は、クルバック・リーバー最小原理の制約として与えられた実現の集合を考慮することを扱う。 関数的アプローチは確率測度のフーリエ変換の弱い定式化に基づいて展開される。 提案した高次元応用は,提案アルゴリズムの効率性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-05-06T08:54:57Z)
• Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
  本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。 既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。 経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T03:49:04Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• 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)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。