Fugu-MT 論文翻訳(概要): Factorizable joint shift revisited

論文の概要: Factorizable joint shift revisited

arxiv url: http://arxiv.org/abs/2601.15036v1
Date: Wed, 21 Jan 2026 14:41:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-22 21:27:50.397652
Title: Factorizable joint shift revisited
Title（参考訳）: 因子的関節移行が再燃した1例
Authors: Dirk Tasche,
Abstract要約: 一般ラベル空間の場合の分布変化を解析するためのフレームワークを提案する。この枠組みに基づいて,クラス事前確率に対する期待最大化(EM)アルゴリズムの関連拡張を提案する。
参考スコア（独自算出の注目度）: 0.6091702876917279
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Factorizable joint shift (FJS) was proposed as a type of distribution shift (or dataset shift) that comprises both covariate and label shift. Recently, it has been observed that FJS actually arises from consecutive label and covariate (or vice versa) shifts. Research into FJS so far has been confined to the case of categorical label spaces. We propose a framework for analysing distribution shift in the case of general label spaces, thus covering both classification and regression models. Based on the framework, we generalise existing results on FJS to general label spaces and propose a related extension of the expectation maximisation (EM) algorithm for class prior probabilities. We also take a fresh look at generalized label shift (GLS) in the case of general label spaces.
Abstract（参考訳）: 共変量シフトとラベルシフトの両方を含む分散シフト(あるいはデータセットシフト)の一種としてFJSを提案した。最近、FJSは連続ラベルと共変量(またはその逆)シフトから実際に生じることが観察されている。 FJSの研究は分類ラベル空間の場合に限られている。本稿では,一般ラベル空間における分布変化を解析するためのフレームワークを提案し,分類モデルと回帰モデルの両方を網羅する。本フレームワークに基づいて,FJS 上の既存の結果を一般ラベル空間に一般化し,クラス事前確率に対する期待最大化(EM)アルゴリズムの関連拡張を提案する。また、一般ラベル空間の場合の一般化ラベルシフト(GLS)を新たに検討する。

関連論文リスト

Online hierarchical partitioning of the output space in extreme multi-label data stream [2.474908349649168]
この研究は、ラベル空間を非結合クラスタに分割するオンラインマルチラベル学習フレームワークであるiHOMERを導入し、事前定義された階層に依存することなく相関する。 23の実世界のデータセットを対象とした実験では、MLHAT、MLHT、Pruned Sets、iSOUPTといった最先端のグローバルベースラインを23%、kNN、EFDT、ARF、ADWINのバイナリ関連変換など12のローカルベースラインを32%上回り、オンラインマルチラベル分類の堅牢性を確立している。
論文参考訳（メタデータ） (2025-07-28T14:47:13Z)
Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
論文参考訳（メタデータ） (2025-03-11T01:45:42Z)
Harnessing Hierarchical Label Distribution Variations in Test Agnostic Long-tail Recognition [114.96385572118042]
テストラベルの分布の変動は階層的にグローバルレベルとローカルレベルに分解できると主張している。ラベル分布の異なるDirichletメタ分布に専門家を割り当てる新しいMoE戦略である$mathsfDirMixE$を提案する。本稿では,分散に基づく正規化による一般化の促進による目的性を示す。
論文参考訳（メタデータ） (2024-05-13T14:24:56Z)
Class Probability Matching Using Kernel Methods for Label Shift Adaptation [10.926835355554553]
ラベルシフト適応のためのtextitclass probability matching (textitCPM) という新しいフレームワークを提案する。カーネルロジスティック回帰をCPMフレームワークに組み込んで条件付き確率を推定することにより,ラベルシフト適応のためのtextitCPMKM というアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-12-12T13:59:37Z)
Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
論文参考訳（メタデータ） (2023-11-03T08:39:35Z)
RLSbench: Domain Adaptation Under Relaxed Label Shift [39.845383643588356]
ラベルシフトを緩和するための大規模ベンチマークであるRSbenchを紹介する。 13の一般的なドメイン適応手法を評価し、ラベル比のシフトにより、従来よりも広範な障害を示す。我々は、ほとんどのドメイン適応と互換性のある効果的な2段階メタアルゴリズムを開発する。
論文参考訳（メタデータ） (2023-02-06T18:57:14Z)
Subsidiary Prototype Alignment for Universal Domain Adaptation [58.431124236254]
Universal Domain Adaptation (UniDA)の大きな問題は、"known"クラスと"unknown"クラスの誤調整である。ゴールタスクUniDAと協調して動作するクローズドセットSPAを実現するために,新しい単語ヒストグラム関連プレテキストタスクを提案する。既存のUniDA技術上でのアプローチの有効性を実証し,3つの標準UniDAおよびOpen-Set DAオブジェクト認識ベンチマークの最先端性能を示す。
論文参考訳（メタデータ） (2022-10-28T05:32:14Z)
Domain Adaptation with Factorizable Joint Shift [18.95213249351176]
本稿では、サンプリングバイアスの共存を扱うために、新しい仮定であるFacterizable Joint Shift (FJS)を提案する。 FJSは2つの要因間のバイアスの独立を前提としている。また,共同重要度推定器を得るための識別学習目的であるJA(Joint Importance Aligning)を提案する。
論文参考訳（メタデータ） (2022-03-06T07:58:51Z)
Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced Semi-Supervised Learning [80.05441565830726]
本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
論文参考訳（メタデータ） (2021-06-10T11:58:25Z)
Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
論文参考訳（メタデータ） (2020-10-23T08:33:04Z)

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。