論文の概要: Structured Proper Loss Geometries for Multiclass Classification: Theory and Controlled Empirical Evaluation

• arxiv url: http://arxiv.org/abs/2606.29471v1
• Date: Sun, 28 Jun 2026 15:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.934736
• Title: Structured Proper Loss Geometries for Multiclass Classification: Theory and Controlled Empirical Evaluation
• Title（参考訳）: 多クラス分類のための構造的プロパロス測地:理論と制御された経験的評価
• Abstract要約: 本稿では,クラス対応2次ブラグマンスコア(CAPM),制約付きログコッシュリッジ(HPG)を備えた強い凸発生器,確率マージンペナルティ(APMS)を用いたHPGの3つの目的について検討する。 我々は,CAPMおよびHPGの条件回帰,曲率,範囲,およびロジット勾配境界を導出し,APMSの厳密なペナルティ範囲および条件目標変位境界を証明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strictly proper scoring rules identify the true conditional class distribution at population level, but their curvature can alter optimization and finite-sample behavior. We study three multiclass objectives: a class-aware quadratic Bregman score (CAPM), a strongly convex generator with constrained log-cosh ridges (HPG), and an HPG objective with an annealed probability-margin penalty (APMS). CAPM is treated as a structured instance of established quadratic scoring-rule theory. We derive conditional-regret, curvature, range, and logit-gradient bounds for CAPM and HPG, and prove exact penalty-range and conditional-target displacement bounds for APMS. Controlled five-seed experiments use Digits, Wisconsin breast cancer, and synthetic confusion and long-tail problems under clean labels, symmetric and pair-flip corruption, class imbalance, calibration evaluation, input corruption, and first-order adversarial perturbations. The candidates are close to cross-entropy on clean data and show descriptive gains in some noisy-label cells, but the five-seed comparisons are interpreted descriptively rather than as significance evidence. The selected noisy-label baselines perform better on Digits with 40% symmetric label noise, and explicit prior-adjustment methods perform better in the 30:1 synthetic long-tail experiment. Ablations do not show a consistent benefit from the candidate-specific graph, ridge, or margin components. The mathematical analysis establishes the stated properties, and the experiments delimit the empirical evidence; together they do not support a claim of general superiority.
• Abstract（参考訳）: 厳密な適切なスコアリングルールは、集団レベルでの真の条件クラス分布を識別するが、それらの曲率によって最適化や有限サンプルの振る舞いを変えることができる。 本稿では,クラス対応2次ブラグマンスコア(CAPM),制約付きログコッシュリッジ(HPG)を備えた強い凸発生器,アニール型確率マージンペナルティ(APMS)を用いたHPGの3つの目的について検討する。 CAPMは確立された二次スコアリングルール理論の構造化例として扱われる。 我々は,CAPMおよびHPGの条件回帰,曲率,範囲,およびロジット勾配境界を導出し,APMSの厳密なペナルティ範囲および条件目標変位境界を証明した。 制御された5シードの実験では、ディジット、ウィスコンシン乳がん、クリーンラベルによる合成混乱と長い尾の問題、対称とペアフリップの腐敗、クラス不均衡、校正の評価、入力の腐敗、一階の対向的摂動が使用されている。 候補はクリーンデータ上での交叉エントロピーに近づき、いくつかのノイズラベル細胞では記述的な利得を示すが、5シード比較は意味のある証拠としてではなく記述的に解釈される。 選択されたノイズラベルベースラインは、40%対称ラベルノイズのDigitsでより良く、30:1合成長テール実験では、明示的な事前調整法がより良く動作する。 アブレーションは、候補固有のグラフ、リッジ、マージンコンポーネントから一貫した利益を示さない。 数学的解析は記述された性質を確立し、実験は経験的証拠を除外する。

関連論文リスト

• COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion [1.8275108630751837]
  比重スコアは2次処理を伴うスカラーに高次元の共変量を減らすことで調整を単純化することができる。 忠実さの下では、治療が結果を引き起こすか否かに真理が不変である最大の条件依存関係と条件依存関係を同定し、治療効果の推定を下流分析に残す。 適応変数を直接観察せずに十分な情報的プロキシが回復できることを示し、その結果の推定と因果誤差を特徴付けるとともに、完全な手順の妥当性を確立する。
  論文  参考訳（メタデータ） (2026-08-10T23:22:20Z)
• A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks [0.0]
  本研究では、このギャップを象徴的推論から神経知覚を分離することで橋渡しするモジュラーでファジィな規則に基づくニューロシンボリック・フレームワークを導入する。 推論のために、DT、特にウェカのJ48アルゴリズムは、接地規則のCODEと重度ラベルに基づいて訓練され、その経路は19の固定IF-THENルールに変換される。 全体として、このフレームワークは、競合するクラスバランスのパフォーマンスと予測されたCODE学位からのトレース可能な推論を組み合わせることで、ルールサポートと重大さのエビデンスを実現している。
  論文  参考訳（メタデータ） (2026-07-30T16:33:26Z)
• RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification [38.8278639079174]
  クラス不均衡は、詐欺検出や診断などのリスクに敏感なアプリケーションにおいて、根本的な課題となる。 そこで, RUBRICは, 合成試料選択を品質/周波数最適化問題として定式化する, ジェネレータに依存しないフィルタリングフレームワークである。 RUBRICはF1マクロとリコールを改善しつつ,複数のジェネレータ間で同等のROC-AUCを維持していることを示す。
  論文  参考訳（メタデータ） (2026-07-10T06:37:12Z)
• The Matching Principle: A Geometric Theory of Loss Functions for Nuisance-Robust Representation Learning [0.5854803320592717]
  線形ガウスモデル (Thm.A) における最適性を証明し, 展開のドリフトをゼロにする2次ペナルティに対する範囲被覆の必要性 (Thm.G) を示す。 13ブロック(MLからQwen2.5-7Bまで)のテストは、幾何と展開のドリフトに対する等方性対間違った方向の罰則と一致した。 Sigma_taskを推定し、Sigmaにマッチし、コントロールを実行し、タスクとジオメトリを別々にレポートする。
  論文  参考訳（メタデータ） (2026-05-21T17:53:28Z)
• Bootstrapping with AI/ML-generated labels [0.0]
  推定されたラベルを用いてデータを生成するが、推定において破損したバージョンに依存している、一見自然な固定ラベルブートストラップは、強い独立条件が満たさない限り、一般的には無効であることを示す。 本報告では, 真のラベルとインプットを併用したブートストラップを提案し, この条件を使わずに有効であることを示す。 シミュレーションの手法を概説し、賃金とリモートワークの状況との関係について検討する。
  論文  参考訳（メタデータ） (2026-04-26T15:48:03Z)
• LiveMathematicianBench: A Live Benchmark for Mathematician-Level Reasoning with Proof Sketches [61.30693283718321]
  研究レベルの数学的推論のための動的多重選択ベンチマークであるLiveMathematicianBenchを提案する。 新たに発表された定理で評価を基礎づけることで、記憶されたパターンを超えた現実的なテストベッドを提供する。 このパイプラインは、高レベルな証明戦略を使用して、妥当だが無効な解選択を構築する。
  論文  参考訳（メタデータ） (2026-04-02T08:22:17Z)
• Differential Voting: Loss Functions For Axiomatically Diverse Aggregation of Heterogeneous Preferences [6.3240435869587515]
  人間のフィードバックからの強化学習は投票の一形態として見ることができ、そこではアグリゲーション機構が損失関数によって定義される。 本稿では,古典的な投票規則に有効に対応するように,人口レベルが最適であるような,インスタンスワイドで微分可能な損失関数を構成するフレームワークである差分投票を紹介する。 本分析は, 損失幾何学における設計選択 – マージン感度や境界濃度など – が, 直接的にノルミティブアグリゲーションの挙動にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-25T03:59:51Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Auto-Encoding Goodness of Fit [9.560668678348579]
  We developed a new type of generative autoencoder called the Goodness-of-Fit Autoencoder (GoFAE)。 ミニバッチレベルでは、正規化の目的としてGoFテスト統計を使用する。 よりグローバルなレベルでは、より高い批判に基づいて正規化係数を選択する。
  論文  参考訳（メタデータ） (2022-10-12T19:21:57Z)
• Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
  トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。 提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-03T11:09:13Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)

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。