論文の概要: Discriminative classification with generative features: bridging Naive Bayes and logistic regression

• arxiv url: http://arxiv.org/abs/2512.01097v1
• Date: Sun, 30 Nov 2025 21:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.5813
• Title: Discriminative classification with generative features: bridging Naive Bayes and logistic regression
• Title（参考訳）: 生成的特徴を持つ識別的分類:Bridging Naive Bayesとロジスティック回帰
• Authors: Zachary Terner, Alexander Petersen, Yuedong Wang,
• Abstract要約: 生成的および識別的モデリングを橋渡しする新しい分類フレームワークであるSmart Bayesを紹介する。 生成の観点からは、Smart Bayesは密度比の特徴に関するデータ駆動係数を許容することにより、ネイブベイズの固定単位重みを緩和する。 識別的観点では、変換された入力を辺対数密度比として構成し、各特徴値が1つのクラスの下にどれだけ高い確率で存在するかを明確に定量化する。
• 参考スコア（独自算出の注目度）: 43.205900007057146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Smart Bayes, a new classification framework that bridges generative and discriminative modeling by integrating likelihood-ratio-based generative features into a logistic-regression-style discriminative classifier. From the generative perspective, Smart Bayes relaxes the fixed unit weights of Naive Bayes by allowing data-driven coefficients on density-ratio features. From a discriminative perspective, it constructs transformed inputs as marginal log-density ratios that explicitly quantify how much more likely each feature value is under one class than another, thereby providing predictors with stronger class separation than the raw covariates. To support this framework, we develop a spline-based estimator for univariate log-density ratios that is flexible, robust, and computationally efficient. Through extensive simulations and real-data studies, Smart Bayes often outperforms both logistic regression and Naive Bayes. Our results highlight the potential of hybrid approaches that exploit generative structure to enhance discriminative performance.
• Abstract（参考訳）: We introduced Smart Bayes, a new classification framework that bridges Generative and discriminative modeling by able-ratio-based generative features into a logistic-regression-style discriminative classificationifier。 生成の観点からは、Smart Bayesは密度比の特徴に関するデータ駆動係数を許容することにより、ネイブベイズの固定単位重みを緩和する。 識別的観点からは、変換された入力を辺対数密度比として構成し、各特徴値が他のクラスよりもどれ程大きいかを明確に定量化することで、原共変量よりも強いクラス分離を持つ予測器を提供する。 このフレームワークをサポートするために,フレキシブル,ロバスト,計算効率のよい一変量対数密度比のスプラインベース推定器を開発した。 広範なシミュレーションと実データ研究を通じて、スマートベイズはしばしばロジスティック回帰とネイブベイズの両方を上回っている。 本研究は, 識別性能を高めるため, 生成構造を利用したハイブリッドアプローチの可能性を強調した。

関連論文リスト

• Optimal Projections for Classification with Naive Bayes [5.953513005270837]
  本研究では,クラス条件密度の因子化のための代替的基礎を得るという課題について検討する。 この問題を射影探索として定式化し, 分類を行う最適線形射影を求める。 提案手法は、他の一般的な確率的判別分析モデルよりも大幅に優れていることがわかった。
  論文  参考訳（メタデータ） (2024-09-09T14:05:30Z)
• 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)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• A Semi-Supervised Adaptive Discriminative Discretization Method Improving Discrimination Power of Regularized Naive Bayes [0.48342038441006785]
  半教師付き適応型ベイズ識別フレームワークを提案する。 ラベル付きデータとラベルなしデータの両方を擬似ラベル付け技術で利用することで、データ分布をより正確に推定できる。 また,適応的識別識別方式を用いて,識別時の情報損失を著しく低減する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-22T04:36:40Z)
• $\beta$-Cores: Robust Large-Scale Bayesian Data Summarization in the Presence of Outliers [14.918826474979587]
  古典的ベイズ推定の質は、観測結果が推定データ生成モデルに適合するかどうかに大きく依存する。 本稿では,大容量データセットに同時スケール可能な変分推論手法を提案する。 多様なシミュレーションおよび実データ、および様々な統計モデルにおいて、我々のアプローチの適用性について説明する。
  論文  参考訳（メタデータ） (2020-08-31T13:47:12Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。