論文の概要: Multiclass threshold-based classification and model evaluation

• arxiv url: http://arxiv.org/abs/2511.21794v1
• Date: Wed, 26 Nov 2025 17:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.241691
• Title: Multiclass threshold-based classification and model evaluation
• Title（参考訳）: 多クラスしきい値に基づく分類とモデル評価
• Authors: Edoardo Legnaro, Sabrina Guastavino, Francesco Marchetti,
• Abstract要約: 標準argmaxルールを一般化する多クラス分類のためのしきい値に基づくフレームワークを提案する。 実験により、多次元しきい値調整により、様々なネットワークやデータセットのパフォーマンスが向上することが示された。
• 参考スコア（独自算出の注目度）: 4.014524824655106
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we introduce a threshold-based framework for multiclass classification that generalizes the standard argmax rule. This is done by replacing the probabilistic interpretation of softmax outputs with a geometric one on the multidimensional simplex, where the classification depends on a multidimensional threshold. This change of perspective enables for any trained classification network an \textit{a posteriori} optimization of the classification score by means of threshold tuning, as usually carried out in the binary setting, thus allowing for a further refinement of the prediction capability of any network. Our experiments show indeed that multidimensional threshold tuning yields performance improvements across various networks and datasets. Moreover, we derive a multiclass ROC analysis based on \emph{ROC clouds} -- the attainable (FPR,TPR) operating points induced by a single multiclass threshold -- and summarize them via a \emph{Distance From Point} (DFP) score to $(0,1)$. This yields a coherent alternative to standard One-vs-Rest (OvR) curves and aligns with the observed tuning gains.
• Abstract（参考訳）: 本稿では、標準argmaxルールを一般化するマルチクラス分類のためのしきい値に基づくフレームワークを提案する。 これは、ソフトマックス出力の確率論的解釈を、分類が多次元しきい値に依存する多次元単純体上の幾何学的解釈に置き換えることによって行われる。 このパースペクティブの変更により、任意のトレーニングされた分類ネットワークに対して、しきい値チューニングによる分類スコアの \textit{a reari} 最適化が可能となり、任意のネットワークの予測能力をさらに改善することができる。 実験の結果,多次元しきい値調整により,様々なネットワークやデータセットのパフォーマンスが向上することがわかった。 さらに,単一マルチクラスしきい値によって誘導される到達可能な(FPR,TPR)演算点である \emph{ROC clouds} に基づくマルチクラスROC解析を導出し,それらをDFPスコア(emph{Distance From Point})を用いて$(0,1)$に要約する。 これにより標準の 1-vs-Rest (OvR) 曲線のコヒーレントな代替となり、観測されたチューニング利得と整合する。

関連論文リスト

• The Multiclass Score-Oriented Loss (MultiSOL) on the Simplex [4.014524824655106]
  教師付きバイナリ分類では、トレーニングフェーズ中に選択したパフォーマンスメトリックを直接最適化する目的でスコア指向の損失が導入された。 本稿では、最近導入された多次元しきい値に基づく分類フレームワークを用いて、スコア指向の損失をマルチクラス分類に拡張する。 いくつかの分類実験でも示されているように、この損失の族は二進法で観測される主な利点を維持するために設計されている。
  論文  参考訳（メタデータ） (2025-11-27T16:20:55Z)
• Multiclass threshold-based classification [2.66269503676104]
  標準argmaxルールを一般化する多クラス分類のためのしきい値に基づくフレームワークを提案する。 多次元しきい値に基づく設定は、様々なネットワークやデータセット間で一貫した性能向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-05-16T14:11:26Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Maximally Compact and Separated Features with Regular Polytope Networks [22.376196701232388]
  本稿では, CNN から抽出する方法として, クラス間分離性とクラス間圧縮性の特性について述べる。 我々は、よく知られた citewen2016discriminative や他の類似したアプローチで得られる特徴と類似した特徴を得る。
  論文  参考訳（メタデータ） (2023-01-15T15:20:57Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)

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。