論文の概要: ADABORD: a novel AdaBoost approach for ordinal classification

• arxiv url: http://arxiv.org/abs/2607.21003v1
• Date: Thu, 23 Jul 2026 07:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.311087
• Title: ADABORD: a novel AdaBoost approach for ordinal classification
• Title（参考訳）: ADABORD:オーディナル分類のための新しいAdaBoostアプローチ
• Abstract要約: 通常の分類(OC)は、クラスが自然順序に従う分類タスクを扱う。 この研究は、AdaBoostフレームワークであるADABORDを紹介している。
• 参考スコア（独自算出の注目度）: 3.896552652033012
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ordinal Classification (OC) deals with classification tasks where the classes follow a natural order. Despite the progress in OC, many existing approaches fail to fully leverage the ordinal information, treating the problem as nominal classification and thereby losing performance potential. In this work, ADABORD, an AdaBoost framework specifically designed for ordinal classification problems, is introduced. The ordinal nature of the classes is incorporated into two key components of the well-known AdaBoost algorithm: 1) the base estimator, where decision trees with the ordinal Gini splitting criterion are proposed; 2) the error function used to update sample weights at each stage and the weights of the classifier in the final ensemble model, given by the absolute ranked probability score, a measure that accounts for both the ordering and the distance between classes. ADABORD is extensively compared against seven state-of-the-art methods on the TOC-UCO repository, the largest benchmark collection for OC to date. The experimental results, supported by statistical analysis, show that ADABORD significantly outperforms competing methods, particularly on datasets with five or more classes, where the ordinal structure becomes more pronounced. Source code, along with all experimental protocols, is publicly available to ensure reproducibility and facilitate future research in OC.
• Abstract（参考訳）: 通常の分類(OC)は、クラスが自然順序に従う分類タスクを扱う。 OCの進歩にもかかわらず、多くの既存のアプローチは順序情報の完全活用に失敗し、問題の分類を名目上の分類として扱い、性能のポテンシャルを失う。 本研究では,AdaBoostフレームワークであるADABORDを紹介した。 クラスの順序性は、よく知られたAdaBoostアルゴリズムの2つの重要な構成要素に組み込まれる。 1) 序項分割基準付き決定木が提案される基本推定器 2) 各段の標本重量と最終アンサンブルモデルにおける分類器の重みの更新に使用される誤差関数は,クラス間の順序と距離の両方を考慮に入れた絶対ランクの確率スコアによって与えられる。 ADABORDはTOC-UCOリポジトリの最先端の7つのメソッドと大きく比較されている。 統計的解析によって支持された実験結果は、ADABORDが競合する手法、特に5つ以上のクラスを持つデータセットにおいて、順序構造がより顕著に発音される場合において、かなり優れていることを示している。 ソースコードは、すべての実験的なプロトコルとともに、再現性を確保し、OCにおける将来の研究を促進するために公開されている。

関連論文リスト

• Generalized Category Discovery via Reciprocal Learning and Class-Wise Distribution Regularization [6.696520328216944]
  Generalized Category Discovery (GCD) は、ラベル付きサンプルからベース知識を活用することでラベルなしサンプルを識別することを目的としている。 最近のパラメトリックベースの手法は、信頼できない自己超越による下限のベース差別に悩まされている。 本稿では,ベース分類を専門とする補助的分岐を導入した相互学習フレームワーク(RLF)を提案する。
  論文  参考訳（メタデータ） (2025-06-03T00:12:39Z)
• Splitting criteria for ordinal decision trees: an experimental study [6.575723870852787]
  通常の分類(OC)は、ラベルが自然な順序を示すような分類タスクに対処する。 OCは順序関係を考慮に入れ、より正確で関連する結果を生み出す。 この研究は、規則的な分割基準を総合的に調査し、明快さと一貫性を高めるために文献で使われる表記を標準化する。
  論文  参考訳（メタデータ） (2024-12-18T10:41:44Z)
• Improving the classification of extreme classes by means of loss regularisation and generalised beta distributions [8.640930010669042]
  本稿では,一級・一級の分類性能を向上させるための一級正規化手法を提案する。 極端なクラスのパフォーマンスは、その感度を考慮に入れた新しいメトリクスを使って比較される。 提案手法により, 一般化されたベータ分布は, 極端なクラスにおける分類性能を向上することが示された。
  論文  参考訳（メタデータ） (2024-07-17T08:57:42Z)
• Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
  順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。 本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T16:04:06Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• 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)
• Ranking hierarchical multi-label classification results with mLPRs [4.869182515096001]
  与えられたクラス階層に固執しながら、参加者の少ない第2段階の質問に焦点を合わせます。 CATCHと呼ばれる新しい目的関数を導入し、適切な分類性能を確保する。 提案手法は,合成データセットと2つの実データセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-05-16T17:43:35Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)

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。