論文の概要: Meta-classification of one-class classification models using ranking correlation and nearest neighbor

• arxiv url: http://arxiv.org/abs/2606.17858v1
• Date: Tue, 16 Jun 2026 12:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.429676
• Title: Meta-classification of one-class classification models using ranking correlation and nearest neighbor
• Title（参考訳）: ランキング相関と近接近傍を用いた一級分類モデルのメタ分類
• Authors: Toshitaka Hayashi, Hamido Fujita, Dalibor Cimr, Richard Cimler, Jitka Kühnová,
• Abstract要約: 本稿では,一級分類(OCC)モデルのメタ分類について考察する。 提案手法により,OCCモデル,データセット,ランキングを統一的に分類できる。
• 参考スコア（独自算出の注目度）: 15.442606578892644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) techniques have been applied to various problems. However, applying ML to ML models is an unexplored direction. For this purpose, this paper considers a meta-classification of one-class classification (OCC) models, because all ML models could be approximated as OCC models. The proposal represents OCC models as normality rankings and classifies them using nearest-neighbor and ranking-correlation metrics. The experiment classifies OCC models, where classes correspond to training datasets, algorithms, and hyperparameters. The proposal achieves high accuracy when class labels are datasets. Moreover, it can classify algorithms when the training datasets contain the same class. In addition, the discussion highlights that the classification of OCC models is essentially the classification of datasets that treats multiple samples as a single input. The experiment demonstrates the classification of datasets using sleeping records. The proposed method can provide a unified solution for classifying OCC models, datasets, and rankings. Source code is uploaded to the public repository https://github.com/ToshiHayashi/ClassOCC.
• Abstract（参考訳）: 機械学習(ML)技術は様々な問題に適用されている。 しかし、MLモデルをMLモデルに適用することは未解決の方向である。 本稿では,OCCモデルとして近似できるため,一級分類(OCC)モデルのメタ分類を検討する。 この提案は、OCCモデルを正規度ランキングとして表現し、最も近い隣り合う指標とランク相関指標を用いて分類する。 この実験はOCCモデルを分類し、クラスはトレーニングデータセット、アルゴリズム、ハイパーパラメータに対応する。 この提案は、クラスラベルがデータセットである場合に高い精度を達成する。 さらに、トレーニングデータセットが同じクラスを含む場合、アルゴリズムを分類することができる。 さらに、この議論はOCCモデルの分類が本質的に複数のサンプルを単一の入力として扱うデータセットの分類であることを強調している。 この実験は睡眠記録を用いたデータセットの分類を実証する。 提案手法により,OCCモデル,データセット,ランキングを統一的に分類できる。 ソースコードは公開リポジトリ https://github.com/ToshiHayashi/ClassOCCにアップロードされる。

関連論文リスト

• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• CA2: Class-Agnostic Adaptive Feature Adaptation for One-class Classification [37.96353879426153]
  一クラス分類のためのクラス非依存適応型特徴適応法(CA2)を提案する。 センターベース手法を未知のクラスに一般化し、事前学習ネットワークに存在する事前学習に基づいて、この目的を最適化する。 CA2は1から1024までのトレーニングデータクラスのOCCパフォーマンスを継続的に改善し、最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-09-04T09:39:34Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Inspecting class hierarchies in classification-based metric learning models [0.0]
  我々は、ベンチマークと実世界のデータセット上で、いくつかのトレーニングオプションを備えたソフトマックス分類器と3つのメトリック学習モデルを訓練する。 我々は,学習したクラスの代表者や階層的インフォームドのパフォーマンス,すなわち分類性能とメートル法学習性能を事前に定義された階層構造を考慮し,階層的推論性能を評価する。
  論文  参考訳（メタデータ） (2023-01-26T12:40:12Z)
• Learning The Likelihood Test With One-Class Classifiers for Physical Layer Authentication [6.853388306874705]
  物理層認証(PLA)機構では、受信したメッセージが正規のユーザまたは侵入者によって送信されたかどうかを検証者が判定する。 ニューラルネットワーク(NN)と1クラスの最小二乗サポートマシン(OSVM)モデルでそれをどのように行うかを示す。 我々は、人工データセットを必要とせずに、可能性テスト(LT)として動作するPLA検証器を訓練する修正勾配降下法(SGD)アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-10-22T16:36:41Z)
• Rank4Class: A Ranking Formulation for Multiclass Classification [26.47229268790206]
  マルチクラス分類(MCC)は基本的な機械学習問題である。 ランキングのレンズを通した新しい定式化により,MCCの性能を向上させることは容易であることを示す。
  論文  参考訳（メタデータ） (2021-12-17T19:22:37Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• 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)

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。