論文の概要: To Each Metric Its Decoding: Post-Hoc Optimal Decision Rules of Probabilistic Hierarchical Classifiers

• arxiv url: http://arxiv.org/abs/2506.01552v1
• Date: Mon, 02 Jun 2025 11:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.28819
• Title: To Each Metric Its Decoding: Post-Hoc Optimal Decision Rules of Probabilistic Hierarchical Classifiers
• Title（参考訳）: 各メトリクスの復号化:確率的階層型分類器のポストホック最適決定規則
• Authors: Roman Plaud, Alexandre Perez-Lebel, Matthieu Labeau, Antoine Saillenfest, Thomas Bonald,
• Abstract要約: 本稿では,目標距離に対する出力確率分布の最適復号化のためのフレームワークを提案する。 より複雑な予測設定のために最適な決定ルールを導出し、候補がノードの集合に限られている場合に普遍的なアルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 43.97690773039761
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Hierarchical classification offers an approach to incorporate the concept of mistake severity by leveraging a structured, labeled hierarchy. However, decoding in such settings frequently relies on heuristic decision rules, which may not align with task-specific evaluation metrics. In this work, we propose a framework for the optimal decoding of an output probability distribution with respect to a target metric. We derive optimal decision rules for increasingly complex prediction settings, providing universal algorithms when candidates are limited to the set of nodes. In the most general case of predicting a subset of nodes, we focus on rules dedicated to the hierarchical $hF_{\beta}$ scores, tailored to hierarchical settings. To demonstrate the practical utility of our approach, we conduct extensive empirical evaluations, showcasing the superiority of our proposed optimal strategies, particularly in underdetermined scenarios. These results highlight the potential of our methods to enhance the performance and reliability of hierarchical classifiers in real-world applications. The code is available at https://github.com/RomanPlaud/hierarchical_decision_rules
• Abstract（参考訳）: 階層分類(hierarchical classification)は、構造化されたラベル付き階層を活用することによって、誤りの深刻さの概念を取り入れるアプローチを提供する。 しかし、そのような設定でのデコーディングは、しばしばヒューリスティックな決定ルールに依存しており、これはタスク固有の評価指標と一致しないかもしれない。 本研究では,目標距離に対する出力確率分布の最適復号化のためのフレームワークを提案する。 より複雑な予測設定のために最適な決定ルールを導出し、候補がノードの集合に限られている場合に普遍的なアルゴリズムを提供する。 ノードのサブセットを予測する最も一般的なケースでは、階層的な設定に合わせたhF_{\beta}$スコア専用のルールに注目します。 提案手法の実用性を実証するため,提案手法の優位性,特に未決定シナリオにおいて実証的評価を行った。 これらの結果は,実世界のアプリケーションにおける階層型分類器の性能と信頼性を高める手法の可能性を強調した。 コードはhttps://github.com/RomanPlaud/hierarchical_decision_rulesで公開されている。

関連論文リスト

• C-3DPO: Constrained Controlled Classification for Direct Preference Optimization [23.709526350060816]
  直接選好最適化(DPO)スタイルのアルゴリズムは、AIのアライメント問題を解決するための有望なアプローチとして登場した。 我々はこれらのアルゴリズムを暗黙の分類アルゴリズムとして定式化する新しい視点を示す。 次に、この分類フレームワークを利用して、これらのアルゴリズムで解決された根底にある問題が不明確であることを実証する。
  論文  参考訳（メタデータ） (2025-02-22T00:38:44Z)
• Conformal Prediction in Hierarchical Classification [18.730305100193927]
  分割共形予測フレームワークを階層分類に拡張し、予測セットは予め定義された階層の内部ノードに制限される。 第1のアルゴリズムは予測セットとして内部ノードを返すが、第2のアルゴリズムは複雑さの概念を用いてこの制限を緩和する。 いくつかのベンチマークデータセットの実証評価により,提案アルゴリズムの有効性が示された。
  論文  参考訳（メタデータ） (2025-01-31T11:10:19Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Hierarchical Selective Classification [17.136832159667204]
  本稿では,階層型選択分類を導入し,階層型選択分類を階層型に拡張する。 まず階層的リスクとカバレッジを形式化し、階層的リスクカバレッジ曲線を導入します。 次に、階層的選択分類のためのアルゴリズムを開発し、高い確率で目標精度の制約を保証する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-19T12:24:30Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Adaptive Neural Ranking Framework: Toward Maximized Business Goal for Cascade Ranking Systems [33.46891569350896]
  カスケードランキングは、オンライン広告とレコメンデーションシステムにおける大規模なトップk選択問題に広く使われている。 それまでの学習からランクへの取り組みは、モデルに完全な順序やトップクオーダを学習させることに重点を置いていた。 我々はこの手法をアダプティブ・ニューラルランキング・フレームワーク (Adaptive Neural Ranking Framework, ARF) と命名する。
  論文  参考訳（メタデータ） (2023-10-16T14:43:02Z)
• Multi-Task Off-Policy Learning from Bandit Feedback [54.96011624223482]
  本稿では,階層型非政治最適化アルゴリズム (HierOPO) を提案する。 学習方針の準最適性にタスクごとのバウンダリを証明し、階層モデルを使用しないよりも明確な改善を示す。 我々の理論的および実証的な結果は、各タスクを個別に解くよりも、階層を使うことの明確な利点を示している。
  論文  参考訳（メタデータ） (2022-12-09T08:26:27Z)
• 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)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• On the Optimality of Batch Policy Optimization Algorithms [106.89498352537682]
  バッチポリシー最適化は、環境と対話する前に既存のデータをポリシー構築に活用することを検討する。 信頼調整インデックスアルゴリズムは楽観的,悲観的,中立的いずれであってもミニマックス最適であることを示す。 最適値予測の本来の難易度を考慮した新しい重み付き最小値基準を提案する。
  論文  参考訳（メタデータ） (2021-04-06T05:23:20Z)
• Stochastic batch size for adaptive regularization in deep network optimization [63.68104397173262]
  ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。 一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2020-04-14T07:54:53Z)

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。