論文の概要: Semi-Supervised Classification with Informative Missing Labels in Weibull Mixture Models

• arxiv url: http://arxiv.org/abs/2609.00774v1
• Date: Tue, 01 Sep 2026 06:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.409444
• Title: Semi-Supervised Classification with Informative Missing Labels in Weibull Mixture Models
• Title（参考訳）: ワイブル混合モデルにおけるインフォーマティブな欠落ラベルを用いた半教師付き分類
• Authors: Jinran Wu, You-Gan Wang, Geoffrey J. McLachlan,
• Abstract要約: 2成分のWeibull混合物から生じる部分分類標本から半教師付き分類を考察した。 欠落ラベルの確率は分類の不確実性の関数としてモデル化され、特徴に依存しない欠落ラベル機構を与える。 我々は,より少ない1次予測誤差率に対して,フィッシャー情報の正定的な増加が十分であるが必要ではないことを示す。
• 参考スコア（独自算出の注目度）: 2.5794915063815664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider semi-supervised classification from a partially classified sample arising from a two-component Weibull mixture. The feature is observed for all data, whereas some class labels are missing. The probability of a missing label is modelled as a function of classification uncertainty, giving a feature-dependent missing-at-random (MAR) mechanism that shares parameters with the Weibull-mixture classifier. The missing-label indicators can therefore provide information about the classifier in addition to the observed features and available class labels. Under a common Weibull shape, a Bayes' rule has at most one positive decision boundary, which is unique when the rule is nonconstant; under unequal shapes, it can have two. We characterise these decision regions, derive the Fisher information for the classifier after adjustment for nuisance parameters in the missingness model, and obtain a decision-boundary expansion of the expected error rate of the plug-in sample rule relative to the Bayes error. The expansion yields classification-specific asymptotic relative efficiency formulas for the one- and two-boundary cases and shows that a positive-definite increase in Fisher information is sufficient, but not necessary, for a smaller first-order expected error rate. Numerical studies and a semi-synthetic analysis based on hard-drive failure data illustrate potential reductions in expected error rate and improvements in decision-boundary estimation from modelling feature-dependent label missingness.
• Abstract（参考訳）: 2成分のWeibull混合物から生じる部分分類標本から半教師付き分類を考察した。 この機能はすべてのデータに対して観測されるが、いくつかのクラスラベルは欠落している。 欠落ラベルの確率は分類の不確実性の関数としてモデル化され、Weibull-mixture分類器とパラメータを共有する特徴依存欠落ランダム(MAR)機構を与える。 したがって、欠落ラベルインジケータは、観察された特徴と利用可能なクラスラベルに加えて、分類器に関する情報を提供することができる。 共通のワイブル形状の下では、ベイズの規則は少なくとも1つの正の判定境界を持ち、これは規則が非定常であるときに一意である。 本研究では,これらの決定領域を特徴付け,不確かさモデルにおけるニュアンスパラメータの調整後の分類器のフィッシャー情報を導出し,ベイズ誤差に対するプラグインサンプル規則の予測誤差率の決定境界拡張を得る。 この拡張により, 1-および2-有界ケースの分類特異的漸近相対効率式が得られ, より小さい1次予測誤差率に対して, フィッシャー情報の正定増加が十分であるが必要ではないことを示す。 ハードドライブ故障データに基づく半合成解析と数値解析により、予測誤差率の潜在的な低減と、モデルによる特徴依存ラベルの欠如による決定境界推定の改善が示された。

関連論文リスト

• Informative Label Missingness in Multiclass Classification Information Geometry and Excess Risk [0.0]
  パラメトリック多クラス分類における現象の一般可能性に基づく理論を考案する。 効率的な情報分解は、利用できないクラスメンバーシップを通して失った情報を、欠落ラベル機構によって提供された情報から分離する。 ランダムに完全に欠落し、限界的な欠落ラベル比率が固定され、欠落ラベルの再分配によって1次でクラスラベル情報が失われる一方、欠落パターンからの効率的な情報は2次でのみ現れる。
  論文  参考訳（メタデータ） (2026-08-31T10:37:49Z)
• Learning from Uncertainty-dependent Missing Labels for Semi-supervised Classification [2.5794915063815664]
  ラベルの欠落確率が観測された特徴に依存する半教師付き環境について検討する。 このような不確実性に依存しないラベルに対する可能性に基づく情報理論を開発した。
  論文  参考訳（メタデータ） (2026-08-25T01:40:47Z)
• Informative missingness and its implications in semi-supervised learning [2.5794915063815664]
  半教師付き学習(SSL)はラベル付きデータと非ラベル付きデータの両方を用いて分類器を構成する。 これは、有限混合モデルに対する可能性フレームワーク内で統計的に定式化できる不完全データ問題を定義する。 このような情報不足をモデル化することは、実証的なSSLメソッドの振る舞いと可能性に基づく推論を統一するコヒーレントな統計フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-12-04T02:26:56Z)
• SSLfmm: An R Package for Semi-Supervised Learning with a Mixed-Missingness Mechanism in Finite Mixture Models [2.0253523660913664]
  半教師付き学習(SSL)は、観測のサブセットのみをラベル付けしたデータセットから分類器を構築する。 観察が損なわれない可能性は、その特徴ベクトルのあいまいさに依存する可能性があるため、不足過程は有益なものとなる。 このパッケージにはモデリングの実用的なツールが含まれており、シミュレートされた例を通してそのパフォーマンスを説明している。
  論文  参考訳（メタデータ） (2025-12-03T00:14:33Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• How Does Pseudo-Labeling Affect the Generalization Error of the Semi-Supervised Gibbs Algorithm? [73.80001705134147]
  擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。 ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
  論文  参考訳（メタデータ） (2022-10-15T04:11:56Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。