論文の概要: The Multiclass Score-Oriented Loss (MultiSOL) on the Simplex

• arxiv url: http://arxiv.org/abs/2511.22587v1
• Date: Thu, 27 Nov 2025 16:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.640918
• Title: The Multiclass Score-Oriented Loss (MultiSOL) on the Simplex
• Title（参考訳）: Simplex上のマルチクラススコア指向損失(MultiSOL)
• Authors: Francesco Marchetti, Edoardo Legnaro, Sabrina Guastavino,
• Abstract要約: 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。
• 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 the supervised binary classification setting, score-oriented losses have been introduced with the aim of optimizing a chosen performance metric directly during the training phase, thus avoiding \textit{a posteriori} threshold tuning. To do this, in their construction, the decision threshold is treated as a random variable provided with a certain \textit{a priori} distribution. In this paper, we use a recently introduced multidimensional threshold-based classification framework to extend such score-oriented losses to multiclass classification, defining the Multiclass Score-Oriented Loss (MultiSOL) functions. As also demonstrated by several classification experiments, this proposed family of losses is designed to preserve the main advantages observed in the binary setting, such as the direct optimization of the target metric and the robustness to class imbalance, achieving performance comparable to other state-of-the-art loss functions and providing new insights into the interaction between simplex geometry and score-oriented learning.
• Abstract（参考訳）: 教師付きバイナリ分類設定では、トレーニングフェーズ中に選択されたパフォーマンスメトリックを直接最適化するため、スコア指向の損失が導入された。 これを行うために、その構成において、決定しきい値は、ある \textit{a priori} 分布を備えたランダム変数として扱われる。 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し、マルチクラススコア指向損失(MultiSOL)関数を定義する。 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、目標距離の直接最適化やクラス不均衡に対する頑健性、他の最先端の損失関数に匹敵する性能の達成、および単純な幾何学とスコア指向学習の相互作用に関する新たな洞察など、バイナリ設定で観測される主な利点を保存するように設計されている。

関連論文リスト

• Multiclass threshold-based classification and model evaluation [4.014524824655106]
  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。
  論文  参考訳（メタデータ） (2025-11-26T17:00:00Z)
• Cluster Purge Loss: Structuring Transformer Embeddings for Equivalent Mutants Detection [0.05461938536945722]
  本稿では,クロスエントロピー損失を,クラスタパージ損失(Cluster Purge Loss)と呼ばれる深層学習目標と統合する新しいフレームワークを提案する。 等価変異検出領域における最先端性能を実証し,より解釈可能な埋め込み空間を創出する。
  論文  参考訳（メタデータ） (2025-07-26T23:07:11Z)
• 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)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• Robust Class-Conditional Distribution Alignment for Partial Domain Adaptation [0.7892577704654171]
  部分的なドメイン適応設定の学習目的におけるプライベートソースカテゴリからの不要なサンプルは、負の転送を招き、分類性能を低下させる可能性がある。 既存の手法、例えば、ターゲット予測の再重み付けや集約などは、この問題に対して脆弱である。 提案手法は,一階のモーメントだけを深く掘り下げて,異なる,コンパクトなカテゴリー分布を導出することによって,これらの制限を克服しようとするものである。
  論文  参考訳（メタデータ） (2023-10-18T15:49:46Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
  近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。 本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。 特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
  論文  参考訳（メタデータ） (2021-07-23T06:57:08Z)
• Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
  本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。 ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。 我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
  論文  参考訳（メタデータ） (2020-10-05T01:58:32Z)
• Learning Gradient Boosted Multi-label Classification Rules [4.842945656927122]
  本稿では,分解不能な損失関数だけでなく,分解不能な損失関数を最小化できる多ラベル分類規則の学習アルゴリズムを提案する。 我々は,合成データに対するアプローチの能力と限界を分析し,その予測性能をマルチラベルベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-06-23T21:39:23Z)
• Rethinking preventing class-collapsing in metric learning with margin-based losses [81.22825616879936]
  メトリクス学習は、視覚的に類似したインスタンスが近接し、異なるインスタンスが分離した埋め込みを求める。 マージンベースの損失は、クラスの全サンプルを埋め込み空間の単一点に投影する傾向がある。 そこで本研究では,各サンプルが最寄りの同一クラスをバッチで選択するように,埋め込み損失の簡易な修正を提案する。
  論文  参考訳（メタデータ） (2020-06-09T09:59:25Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。