論文の概要: Neyman-Pearson Classification under Both Null and Alternative Distributions Shift

• arxiv url: http://arxiv.org/abs/2511.06641v1
• Date: Mon, 10 Nov 2025 02:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.039667
• Title: Neyman-Pearson Classification under Both Null and Alternative Distributions Shift
• Title（参考訳）: Nullおよび代替分布シフトによるNeyman-Pearson分類
• Authors: Mohammadreza M. Kalan, Yuyang Deng, Eitan J. Neugut, Samory Kpotufe,
• Abstract要約: ナイマン・ピアソン分類における転帰学習の問題点について考察する。 我々は、ソースが通知されたときに、Type-IおよびType-IIエラーの改善を保証する適応的な手順を導出する。
• 参考スコア（独自算出の注目度）: 14.256138735958912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of transfer learning in Neyman-Pearson classification, where the objective is to minimize the error w.r.t. a distribution $\mu_1$, subject to the constraint that the error w.r.t. a distribution $\mu_0$ remains below a prescribed threshold. While transfer learning has been extensively studied in traditional classification, transfer learning in imbalanced classification such as Neyman-Pearson classification has received much less attention. This setting poses unique challenges, as both types of errors must be simultaneously controlled. Existing works address only the case of distribution shift in $\mu_1$, whereas in many practical scenarios shifts may occur in both $\mu_0$ and $\mu_1$. We derive an adaptive procedure that not only guarantees improved Type-I and Type-II errors when the source is informative, but also automatically adapt to situations where the source is uninformative, thereby avoiding negative transfer. In addition to such statistical guarantees, the procedures is efficient, as shown via complementary computational guarantees.
• Abstract（参考訳）: ナイマン・ピアソン分類における伝達学習の問題は、誤差w.r.t.分布$\mu_1$の最小化を目的とし、誤差w.r.t.分布$\mu_0$が所定の閾値以下であるという制約に従う。 移動学習は伝統的な分類において広く研究されているが、ネイマン・ピアソン分類のような不均衡な分類における移動学習は、はるかに少ない関心を集めている。 どちらのタイプのエラーも同時に制御する必要があるため、この設定には固有の課題が生じる。 既存の作業は$\mu_1$の分散シフトにのみ対処するが、多くの実践シナリオでは$\mu_0$と$\mu_1$の両方でシフトが発生することがある。 本手法は,情報源が情報化されている場合に,改良されたType-IおよびType-IIエラーを保証できるだけでなく,ソースが情報化されていない状況に自動的に適応し,負の転送を回避する適応手順を導出する。 このような統計的保証に加えて、補完的な計算保証によって示されるように、手順は効率的である。

関連論文リスト

• Distribution-Free Rates in Neyman-Pearson Classification [4.169915659794566]
  非バランスな分類設定をモデル化するNeyman-Pearson分類の問題を考える。 我々は、すべての対の空間上の分布自由率、すなわちミニマックスレートの完全な特徴づけを提供する。 このレートは、単純な幾何学的条件によって特徴づけられるハードクラスとイージークラスの$mathcalH$を二分する。
  論文  参考訳（メタデータ） (2024-02-14T20:21:43Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• The Power and Limitation of Pretraining-Finetuning for Linear Regression under Covariate Shift [127.21287240963859]
  本研究では,対象データに基づく事前学習と微調整を併用した伝達学習手法について検討する。 大規模な線形回帰インスタンスの場合、$O(N2)$ソースデータによる転送学習は、$N$ターゲットデータによる教師あり学習と同じくらい効果的である。
  論文  参考訳（メタデータ） (2022-08-03T05:59:49Z)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• Shift Happens: Adjusting Classifiers [2.8682942808330703]
  ブレアスコアやログロス(クロスエントロピー)のような適切なスコアリングルールによって測定される期待損失を最小限に抑えることは、確率的分類器を訓練する際の共通の目的である。 本稿では,全ての予測を平均予測とクラス分布に等化させる手法を提案する。 実際に、クラス分布が概ね知られている場合、シフトの量やクラス分布が知られている精度に応じて、損失が減少することがしばしばあることを実験によって実証した。
  論文  参考訳（メタデータ） (2021-11-03T21:27:27Z)
• Learning to Transfer with von Neumann Conditional Divergence [14.926485055255942]
  我々は、複数の領域間の転送可能性を改善するために、最近提案されたフォン・ノイマン条件分岐を導入する。 本研究では,これらの課題が同時に,あるいは逐次的に観察されることを前提として,新たな学習目標を設計する。 どちらのシナリオでも、新しいタスクの一般化誤差が小さく、(シーケンシャルな設定で)ソースタスクを忘れないという点で、最先端のメソッドに対して好ましい性能が得られる。
  論文  参考訳（メタデータ） (2021-08-07T22:18:23Z)
• Binary classification with ambiguous training data [69.50862982117127]
  教師付き学習では、ドメインの専門家でさえラベル付けが難しい曖昧な(A)サンプルに直面します。 この問題は、ラベルなしサンプルが必ずしも難しいサンプルではないため、半教師付き学習とは大きく異なる。
  論文  参考訳（メタデータ） (2020-11-05T00:53:58Z)
• The Strategic Perceptron [11.078814063722803]
  正であると分類されたい戦略エージェントが存在する場合、パーセプトロンアルゴリズムはエージェントの真の位置を観察できないかもしれない。 2つの解の間に永久に振動する予測器の例を示す。 私たちの主な貢献は、戦略エージェントの存在下で多くの誤りを犯すPerceptronスタイルのアルゴリズムの修正です。
  論文  参考訳（メタデータ） (2020-08-04T17:20:24Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。