論文の概要: Stochastic Primal-Dual Double Block-Coordinate for Two-way Partial AUC Maximization

• arxiv url: http://arxiv.org/abs/2505.21944v1
• Date: Wed, 28 May 2025 03:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.405367
• Title: Stochastic Primal-Dual Double Block-Coordinate for Two-way Partial AUC Maximization
• Title（参考訳）: 2方向部分AUC最大化のための確率的原始二重ブロックコーディネート
• Authors: Linli Zhou, Bokun Wang, My T. Thai, Tianbao Yang,
• Abstract要約: 2方向部分AUCAUCは、不均衡なデータを持つバイナリ分類における重要な性能指標である。 TPAUC最適化のための既存のアルゴリズムは未探索のままである。 TPAUC最適化のための2つの革新的な二重座標ブロック座標アルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 56.805574957824135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Two-way partial AUC (TPAUC) is a critical performance metric for binary classification with imbalanced data, as it focuses on specific ranges of the true positive rate (TPR) and false positive rate (FPR). However, stochastic algorithms for TPAUC optimization remain under-explored, with existing methods either limited to approximated TPAUC loss functions or burdened by sub-optimal complexities. To overcome these limitations, we introduce two innovative stochastic primal-dual double block-coordinate algorithms for TPAUC maximization. These algorithms utilize stochastic block-coordinate updates for both the primal and dual variables, catering to both convex and non-convex settings. We provide theoretical convergence rate analyses, demonstrating significant improvements over prior approaches. Our experimental results, based on multiple benchmark datasets, validate the superior performance of our algorithms, showcasing faster convergence and better generalization. This work advances the state of the art in TPAUC optimization and offers practical tools for real-world machine learning applications.
• Abstract（参考訳）: 2方向部分AUC(TPAUC)は、真の正レート(TPR)と偽正レート(FPR)の特定の範囲に焦点を当て、不均衡なデータを持つバイナリ分類における重要なパフォーマンス指標である。 しかし、TPAUC最適化のための確率的アルゴリズムは未探索のままであり、既存の手法は近似されたTPAUC損失関数に制限されるか、あるいは準最適複雑さによって負担される。 これらの制限を克服するために、TPAUC最大化のための2つの革新的確率的原始二重ブロック座標アルゴリズムを導入する。 これらのアルゴリズムは、原始変数と双対変数の両方に対して確率的ブロックコーディネート更新を使用し、凸および非凸設定の両方に対応している。 理論的収束速度解析を行い、従来の手法よりも大幅に改善したことを示す。 実験結果は,複数のベンチマークデータセットに基づいて,アルゴリズムの優れた性能を検証し,より高速な収束とより優れた一般化を示す。 この研究は、TPAUC最適化の最先端を前進させ、現実世界の機械学習アプリケーションに実用的なツールを提供する。

関連論文リスト

• Efficient Second-Order Neural Network Optimization via Adaptive Trust Region Methods [0.0]
  SecondOrderAdaptive (SOAA) は、従来の二階法の限界を克服するために設計された新しい最適化アルゴリズムである。 私たちは、SOAAが1次近似よりも速く、より安定した収束を達成することを実証的に実証します。
  論文  参考訳（メタデータ） (2024-10-03T08:23:06Z)
• When AUC meets DRO: Optimizing Partial AUC for Deep Learning with Non-Convex Convergence Guarantee [51.527543027813344]
  単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。 一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
  論文  参考訳（メタデータ） (2022-03-01T01:59:53Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave Min-Max Problems with PL Condition [52.08417569774822]
  本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-12T00:32:21Z)

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。