論文の概要: Tightening Control in Neyman--Pearson Linear Classification

• arxiv url: http://arxiv.org/abs/2607.03590v1
• Date: Fri, 03 Jul 2026 20:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.661597
• Title: Tightening Control in Neyman--Pearson Linear Classification
• Title（参考訳）: ナイマンにおけるタイニング制御-ピアソン線形分類
• Abstract要約: Neyman-Pearson- 分類は、その精度をレベル以上に制限し、他のクラスの精度を実用目的とすることで、あるクラスを優先順位付けする。 本研究では,予測精度を制御し,高い確率で予測精度を制御した2つの制御クラスに基づく洗練された学習手順を提案する。
• 参考スコア（独自算出の注目度）: 0.12183405753834557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neyman--Pearson classification prioritizes one class by constraining its accuracy above a prespecified level, and then takes the accuracy of the other class as the utility objective. This paradigm is well suited for disease screening and diagnosis, among other applications. Statistical learning under this framework is complicated since classifier performance determines its acceptability. Furthermore, no learned classifier that is consistent for the oracle classifier can guarantee satisfaction of the control constraint in finite samples. Classical learning theory targets a control-relaxed empirical utility maximization (EUM) classifier. However, even the EUM classifier fails to achieve the desired control level on average. We conjecture that this under-control phenomenon is a manifestation of the over-optimism bias well known in standard statistical learning, and develop asymptotic theory to confirm it. Motivated by this insight, we propose refined learning procedures under two accuracy control strategies for the prioritized class: one controlling accuracy in expectation and the other with high probability. We further develop training-data-based methods to predict and infer class-specific accuracies of the resulting classifiers. Simulation studies demonstrate favorable finite-sample performance, and we illustrate the proposed methods with an application to cancer detection.
• Abstract（参考訳）: Neyman-Pearson分類は、所定のレベル以上の精度を制限し、他のクラスの精度を実用目的とすることで、あるクラスを優先順位付けする。 このパラダイムは、病気のスクリーニングや診断に特に適している。 このフレームワーク下での統計的学習は、分類器の性能が受容可能性を決定するため、複雑である。 さらに、オラクル分類器に一貫性のある学習的分類器は、有限標本における制御制約の満足度を保証できない。 古典的学習理論は、制御緩和された経験的効用最大化(EUM)分類器をターゲットにしている。 しかし、EUM分類器でさえ平均的に所望の制御レベルを達成できない。 このアンダーコントロール現象は、標準統計的学習でよく知られる過度最適化バイアスの顕在化であり、それを確かめるために漸近理論を発展させる。 この知見により、優先順位付けされたクラスに対する2つの精度制御戦略に基づく洗練された学習手順を提案し、一方が予測の精度を制御し、他方が高い確率で学習方法を提案する。 さらに,結果の分類器のクラス固有の精度を予測し,推定するためのトレーニングデータに基づく手法を開発した。 シミュレーション研究は, 良好な有限サンプル性能を示し, 提案手法とがん検出への応用について述べる。

関連論文リスト

• Adversarial Stress Tests for Quantum Certification [0.0]
  古典的なベンチマークの明らかな違反は、真の非古典的な振る舞いを示唆する必要はない。 マーチンゲールセーフな低信頼境界に基づくプロトコルに依存しないアライメント原理を定式化する。 適応学習に基づく古典的エージェントは許容可能な古典的集合を拡大しないことを示す。
  論文  参考訳（メタデータ） (2026-03-13T03:49:58Z)
• Addressing Class Imbalance with Probabilistic Graphical Models and Variational Inference [10.457756074328664]
  本研究では,深い確率的グラフィカルモデル(DPGM)に基づく不均衡データ分類手法を提案する。 本稿では,少数クラスの表現能力を適応的に調整できる変分推論最適化確率モデルを提案する。 逆学習機構を組み合わさって、潜在空間におけるマイノリティクラスサンプルを生成し、モデルがカテゴリ境界をより正確に特徴づけられるようにします。
  論文  参考訳（メタデータ） (2025-04-08T07:38:30Z)
• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Analysis of Diagnostics (Part I): Prevalence, Uncertainty Quantification, and Machine Learning [0.0]
  この写本は、分類理論と有病率のより深い関係を研究する二部作の最初のものである。 そこで本稿では,有病率重み付き経験誤差を最小化することにより,Bstar (q)$を推定する数値ホモトピーアルゴリズムを提案する。 合成データとSARS-CoV-2酵素結合免疫測定法(ELISA)を用いて本法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-08-30T13:26:49Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• 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)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Re-Assessing the "Classify and Count" Quantification Method [88.60021378715636]
  分類とカウント(CC)は、しばしば偏りのある推定器である。 以前の作業では、CCの適切に最適化されたバージョンを適切に使用できなかった。 最先端の手法に劣っているものの、ほぼ最先端の精度を実現している、と我々は主張する。
  論文  参考訳（メタデータ） (2020-11-04T21:47:39Z)

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。