論文の概要: Classifier Pooling for Modern Ordinal Classification

• arxiv url: http://arxiv.org/abs/2603.17278v1
• Date: Wed, 18 Mar 2026 02:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.478847
• Title: Classifier Pooling for Modern Ordinal Classification
• Title（参考訳）: 現代標準分類のための分類器プール
• Authors: Noam H. Rotenberg, Andreia V. Faria, Brian Caffo,
• Abstract要約: そこで本研究では,非順序分類法を順序方式で適用可能な,順序分類のモデル非依存的手法を提案する。 我々はこれらのアルゴリズムのオープンソース実装をPythonパッケージの形で提供します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal data is widely prevalent in clinical and other domains, yet there is a lack of both modern, machine-learning based methods and publicly available software to address it. In this paper, we present a model-agnostic method of ordinal classification, which can apply any non-ordinal classification method in an ordinal fashion. We also provide an open-source implementation of these algorithms, in the form of a Python package. We apply these models on multiple real-world datasets to show their performance across domains. We show that they often outperform non-ordinal classification methods, especially when the number of datapoints is relatively small or when there are many classes of outcomes. This work, including the developed software, facilitates the use of modern, more powerful machine learning algorithms to handle ordinal data.
• Abstract（参考訳）: 通常のデータは臨床や他の領域で広く普及しているが、現代の機械学習ベースの手法とそれに対応するための公開ソフトウェアが欠如している。 本稿では,任意の非順序分類法を順序方式で適用可能な,順序分類のモデルに依存しない手法を提案する。 また、Pythonパッケージの形で、これらのアルゴリズムのオープンソース実装も提供しています。 これらのモデルを複数の実世界のデータセットに適用して、ドメイン間のパフォーマンスを示す。 特にデータポイントの数が比較的少ない場合や,結果のクラスが多い場合などにおいて,非正規分類法よりも優れることを示す。 開発ソフトウェアを含むこの作業は、最新のより強力な機械学習アルゴリズムによる順序データ処理を促進する。

関連論文リスト

• Low-Resource Fast Text Classification Based on Intra-Class and Inter-Class Distance Calculation [1.0291559330120414]
  LFTCと呼ばれる低リソースかつ高速なテキスト分類モデルを提案する。 当社のアプローチは,各クラスに対して,クラス内データ内の正規性情報を完全にマイニングするコンプレッサーリストを構築することから始まります。 LFTCを9つの公開ベンチマークデータセットで評価した結果,性能と処理時間に大きな改善が見られた。
  論文  参考訳（メタデータ） (2024-12-13T07:22:13Z)
• dlordinal: a Python package for deep ordinal classification [3.420642569478584]
  dlordinalは、最近の多くのディープ順序分類方法論を統合する新しいPythonライブラリである。 日常的な分類問題に対して、最先端のディープラーニング技術を実装している。
  論文  参考訳（メタデータ） (2024-07-24T11:07:20Z)
• Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
  順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。 本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:04:06Z)
• An Interactive Interface for Novel Class Discovery in Tabular Data [54.11148718494725]
  新規クラスディスカバリー(英: Novel Class Discovery、NCD)とは、異なるクラスがラベル付けされていることを考慮し、ラベル付けされていないセットで新しいクラスを発見しようとする問題である。 現在提案されているNCD法の大部分は画像データにのみ対応している。 このインターフェースにより、ドメインの専門家は表データでNCDのための最先端のアルゴリズムを簡単に実行することができる。
  論文  参考訳（メタデータ） (2023-06-22T14:32:53Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Predicting Classification Accuracy When Adding New Unobserved Classes [8.325327265120283]
  そこで本研究では,より大規模で未観測のクラスに対して,期待する精度を推定するために,分類器の性能をどのように利用することができるかを検討する。 ニューラルネットワークに基づく頑健なアルゴリズム "CleaneX" を定式化し,任意のサイズのクラスに対して,そのような分類器の精度を推定する。
  論文  参考訳（メタデータ） (2020-10-28T14:37:25Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition from a Domain Adaptation Perspective [98.70226503904402]
  現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。 メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
  論文  参考訳（メタデータ） (2020-03-24T11:28:42Z)

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。