論文の概要: A Review of the Receiver Operating Characteristic Curve and a Proof About the Area Beneath It

• arxiv url: http://arxiv.org/abs/2605.00926v1
• Date: Thu, 30 Apr 2026 18:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.486363
• Title: A Review of the Receiver Operating Characteristic Curve and a Proof About the Area Beneath It
• Title（参考訳）: 受信機動作特性曲線の概観とエリアベネフィットの証明
• Authors: Steven Redolfi,
• Abstract要約: バイナリ分類器の受信器動作特性(ROC)曲線は、その性能を測定するためにしばしば使用される。 本稿は、この主張を定式化し、仮説が満たされていない場合の真理からどこまで遠いのかを定式化し、ROC曲線の小さな文献的レビューを与える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Receiver Operating Characteristic (ROC) curve of a binary classifier has often been utilized to measure the performance of the classifier. The area beneath this curve is used in particular because of its quoted probabilistic interpretation as being equal to the probability that the classifier will rank a random positive observation above a random negative observation. This paper formalizes this claim, produces a bound on how far away from the truth it is if a hypothesis is not met, and gives a small literature review of the ROC curve.
• Abstract（参考訳）: バイナリ分類器の受信器動作特性(ROC)曲線は、しばしば分類器の性能を測定するために使用される。 この曲線の下の領域は、特に確率論的解釈が、分類器がランダムな負の観測より上のランダムな正の観測をランク付けする確率と等しいために用いられる。 本稿は、この主張を定式化し、仮説が満たされていない場合の真理からどこまで遠いのかを定式化し、ROC曲線の小さな文献的レビューを与える。

関連論文リスト

• Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap [75.41420283374737]
  オーバーラップは因果治療効果推定の鍵となる条件である。 本稿では,デコンウンディングスコア(deconfounding scores)と呼ばれる特徴表現のクラスを提案する。 このクラスでは, 予後スコアが重なり合うことを示す。
  論文  参考訳（メタデータ） (2026-04-01T12:19:42Z)
• Provably Reliable Classifier Guidance via Cross-Entropy Control [4.298880233819988]
  拡散モデルの各ステップにおけるクロスエントロピー損失は、対応する誘導誤差を制御するのに十分であることを示す。 その結果,サンプリング誤差ベクトル誘導拡散モデル上界が得られ,逆対数ソボレフ型不等式に類似していることがわかった。
  論文  参考訳（メタデータ） (2026-01-29T02:59:04Z)
• Model Evaluation in the Dark: Robust Classifier Metrics with Missing Labels [2.384873896423002]
  本稿では,精度,リコール,ROC-AUCなどの指標を用いて分類器の評価を行うための多重計算手法を提案する。 予測分布の位置と形状が一般的に正しいことを実証的に示す。
  論文  参考訳（メタデータ） (2025-04-25T14:31:42Z)
• ABROCA Distributions For Algorithmic Bias Assessment: Considerations Around Interpretation [0.23020018305241333]
  本研究では, 絶対地域間距離の統計特性について検討する。 その結果,ABROCA分布は標本サイズ,AUC差,クラス不均衡に大きく依存することがわかった。
  論文  参考訳（メタデータ） (2024-11-28T12:05:58Z)
• Rethinking Distance Metrics for Counterfactual Explainability [53.436414009687]
  本研究では, 反事実を参照領域から独立して引き出すのではなく, 基礎となるデータ分布からの参照と共同してサンプリングする, 反事実生成手法のフレーミングについて検討する。 我々は、幅広い設定に適用可能な、反ファクト的な類似性のために調整された距離メートル法を導出する。
  論文  参考訳（メタデータ） (2024-10-18T15:06:50Z)
• Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
  本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。 これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
  論文  参考訳（メタデータ） (2023-11-08T15:17:13Z)
• The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
  ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。 入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。 新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
  論文  参考訳（メタデータ） (2023-09-28T22:41:47Z)
• Understanding Noise-Augmented Training for Randomized Smoothing [14.061680807550722]
  ランダムスムーシング(Randomized smoothing)は、敵攻撃に対する証明可能な堅牢性を保証する技術である。 より強い分布仮定を作らずに、雑音増強の訓練を受けた予測者から利益を期待できないことを示す。 本分析は, ランダム化平滑化の実践的展開に直接的な意味を持つ。
  論文  参考訳（メタデータ） (2023-05-08T14:46:34Z)
• Benign Overfitting in Adversarially Robust Linear Classification [91.42259226639837]
  分類器がノイズの多いトレーニングデータを記憶しながらも、優れた一般化性能を達成している「双曲オーバーフィッティング」は、機械学習コミュニティにおいて大きな注目を集めている。 本研究は, 対人訓練において, 対人訓練において, 良心過剰が実際に発生することを示し, 対人訓練に対する防御の原則的アプローチを示す。
  論文  参考訳（メタデータ） (2021-12-31T00:27:31Z)

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。