論文の概要: A Cooperative Game-Based Multi-Criteria Weighted Ensemble Approach for Multi-Class Classification

• arxiv url: http://arxiv.org/abs/2508.10926v1
• Date: Sat, 09 Aug 2025 07:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.577227
• Title: A Cooperative Game-Based Multi-Criteria Weighted Ensemble Approach for Multi-Class Classification
• Title（参考訳）: 複数クラス分類のための協調型ゲームベース重み付きアンサンブルアプローチ
• Authors: DongSeong-Yoon,
• Abstract要約: 機械学習アルゴリズムはOpen-ML-CC18データセットに適用され、既存のアンサンブル重み付け手法と比較された。 実験の結果, 他の重み付け法と比較して優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Since the Fourth Industrial Revolution, AI technology has been widely used in many fields, but there are several limitations that need to be overcome, including overfitting/underfitting, class imbalance, and the limitations of representation (hypothesis space) due to the characteristics of different models. As a method to overcome these problems, ensemble, commonly known as model combining, is being extensively used in the field of machine learning. Among ensemble learning methods, voting ensembles have been studied with various weighting methods, showing performance improvements. However, the existing methods that reflect the pre-information of classifiers in weights consider only one evaluation criterion, which limits the reflection of various information that should be considered in a model realistically. Therefore, this paper proposes a method of making decisions considering various information through cooperative games in multi-criteria situations. Using this method, various types of information known beforehand in classifiers can be simultaneously considered and reflected, leading to appropriate weight distribution and performance improvement. The machine learning algorithms were applied to the Open-ML-CC18 dataset and compared with existing ensemble weighting methods. The experimental results showed superior performance compared to other weighting methods.
• Abstract（参考訳）: 第四次産業革命以降、AI技術は多くの分野で広く使われてきたが、様々なモデルの特徴による過度な適合や不均衡、表現の限界(仮説空間)など、克服すべきいくつかの制限がある。 これらの問題を解決する方法として、モデル合成として知られるアンサンブルは、機械学習の分野で広く使われている。 アンサンブル学習法のうち,様々な重み付け法を用いて投票アンサンブルについて検討し,性能改善を示す。 しかし、重み付けにおける分類器の事前情報を反映する既存の手法では、実際のモデルで考慮すべき様々な情報の反射を制限する1つの評価基準しか考慮していない。 そこで本稿では,複数条件下での協調ゲームを通じて,様々な情報を考慮した意思決定手法を提案する。 この手法を用いることで、予め分類器で知られている様々な種類の情報を同時に検討し、反映し、適切な重量分布と性能改善をもたらすことができる。 機械学習アルゴリズムはOpen-ML-CC18データセットに適用され、既存のアンサンブル重み付け手法と比較された。 実験の結果, 他の重み付け法と比較して優れた性能を示した。

関連論文リスト

• The Multiplex Classification Framework: optimizing multi-label classifiers through problem transformation, ontology engineering, and model ensembling [0.0]
  本稿では,多重化分類フレームワークについて紹介する。 このフレームワークには,任意のクラスへの適応性や論理的制約など,いくつかのメリットがある。 従来の分類モデルとMultiformxアプローチを比較した2つの実験を行った。
  論文  参考訳（メタデータ） (2024-12-18T20:07:27Z)
• Methods for Class-Imbalanced Learning with Support Vector Machines: A Review and an Empirical Evaluation [22.12895887111828]
  クラス不均衡学習に関して,SVMに基づくモデルの階層的分類を導入する。 ベンチマーク不均衡データセットを用いて,各カテゴリの各種SVMモデルの性能を比較した。 以上の結果から,データ前処理の要求がないため,アルゴリズム手法は時間がかかりにくいが,再サンプリング手法とアルゴリズム手法を併用した融合方式は,一般に最善を尽くしていることがわかった。
  論文  参考訳（メタデータ） (2024-06-05T15:55:08Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• Accounting for multiplicity in machine learning benchmark performance [0.0]
  State-of-the-art(SOTA)パフォーマンスは、テストサンプル上であるモデルによって達成される最高のパフォーマンスを指す。 我々は代わりに、最高の分類器の期待性能によってSOTAを推定するべきであると論じる。
  論文  参考訳（メタデータ） (2023-03-10T10:32:18Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• A Similarity-based Framework for Classification Task [21.182406977328267]
  類似性に基づく手法は,複数ラベル学習のための新しい手法のクラスを生み出し,有望な性能を達成する。 類似性に基づく学習と一般化された線形モデルを組み合わせて、両方の世界のベストを達成します。
  論文  参考訳（メタデータ） (2022-03-05T06:39:50Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)
• Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
  我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。 次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
  論文  参考訳（メタデータ） (2020-04-01T09:55:18Z)

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。