論文の概要: Computationally lightweight classifiers with frequentist bounds on predictions

• arxiv url: http://arxiv.org/abs/2603.22128v1
• Date: Mon, 23 Mar 2026 15:54:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.766078
• Title: Computationally lightweight classifiers with frequentist bounds on predictions
• Title（参考訳）: 頻繁な予測境界を持つ計算軽量分類器
• Authors: Shreeram Murali, Cristian R. Rojas, Dominik Baumann,
• Abstract要約: そこで我々は,Nadaraya-Watson推定器に基づく,計算効率の良い新しい分類アルゴリズムを提案する。 本手法は,$mathcal O(n)$と$mathcal O(log n)$演算において,競争精度が$>SI96percentに達することを示す。 これらの境界は、例えば、低信頼の予測をフラグする助けとなり、リソース制約のあるリアルタイム設定に適合する。
• 参考スコア（独自算出の注目度）: 3.0469120687321882
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While both classical and neural network classifiers can achieve high accuracy, they fall short on offering uncertainty bounds on their predictions, making them unfit for safety-critical applications. Existing kernel-based classifiers that provide such bounds scale with $\mathcal O (n^{\sim3})$ in time, making them computationally intractable for large datasets. To address this, we propose a novel, computationally efficient classification algorithm based on the Nadaraya-Watson estimator, for whose estimates we derive frequentist uncertainty intervals. We evaluate our classifier on synthetically generated data and on electrocardiographic heartbeat signals from the MIT-BIH Arrhythmia database. We show that the method achieves competitive accuracy $>$\SI{96}{\percent} at $\mathcal O(n)$ and $\mathcal O(\log n)$ operations, while providing actionable uncertainty bounds. These bounds can, e.g., aid in flagging low-confidence predictions, making them suitable for real-time settings with resource constraints, such as diagnostic monitoring or implantable devices.
• Abstract（参考訳）: 古典的およびニューラルネットワークの分類器はどちらも高い精度を達成することができるが、予測に不確実性があるため、安全クリティカルなアプリケーションには適さない。 そのような境界を提供する既存のカーネルベースの分類器は、$\mathcal O (n^{\sim3})$の時間でスケールし、大きなデータセットに対して計算的に抽出できる。 そこで本研究では,Nadaraya-Watson推定器に基づく計算効率の良い新しい分類アルゴリズムを提案する。 我々は,MIT-BIH Arrhythmiaデータベースから合成データと心電図の心拍信号を用いて分類を行った。 この手法は, 動作可能な不確実性境界を提供しながら, $\mathcal O(n)$および$\mathcal O(\log n)$演算において, 競合精度$>$\SI{96}{\percent}を達成することを示す。 これらのバウンダリは、例えば、低信頼度予測のフラグ付けを支援することで、診断監視や組み込みデバイスなどのリソース制約のあるリアルタイム設定に適合する。

関連論文リスト

• Beyond Sin-Squared Error: Linear-Time Entrywise Uncertainty Quantification for Streaming PCA [5.749787074942513]
  Ojaのアルゴリズムを用いたストリーミング主成分分析(PCA)のための新しい統計的推論フレームワークを提案する。 最適誤差率と対数因子との一致する推定ベクトルの要素に対して、鋭いベルンシュタイン型濃度を導出する。 座標偏差を効率的に推定するために,証明可能な一貫した部分サンプリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-06-14T22:50:54Z)
• Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
  本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。 我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
  論文  参考訳（メタデータ） (2025-06-03T02:56:26Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• PAC Prediction Sets Under Label Shift [52.30074177997787]
  予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。 ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。 提案手法を5つのデータセットで評価する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:57Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Importance Sparsification for Sinkhorn Algorithm [19.658596636055545]
  シンクホーンアルゴリズムは最適輸送 (OT) と不均衡最適輸送 (UOT) 問題の解を近似するために広く用いられている。 本研究では, エントロピー規則化OTとUOTの解を効率的に近似するために, Spar-Sink と呼ばれる新しい重要空間分割法を提案する。
  論文  参考訳（メタデータ） (2023-06-11T04:03:22Z)
• Reliable Probability Intervals For Classification Using Inductive Venn Predictors Based on Distance Learning [2.66512000865131]
  Inductive Venn Predictors framework を用いて,各予測の正確性に関する確率区間をリアルタイムに計算する。 本稿では,高次元入力を含むアプリケーションにおける情報伝達確率区間を計算するための距離距離距離学習法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T00:51:43Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Probabilistic Neighbourhood Component Analysis: Sample Efficient Uncertainty Estimation in Deep Learning [25.8227937350516]
  トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。 サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。 我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
  論文  参考訳（メタデータ） (2020-07-18T21:36:31Z)

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。