論文の概要: Large Classification-Risk-Optional Label Acquisition

• arxiv url: http://arxiv.org/abs/2609.06873v1
• Date: Sun, 06 Sep 2026 23:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.3302
• Title: Large Classification-Risk-Optional Label Acquisition
• Title（参考訳）: 大規模分類-リスク-最適ラベル獲得
• Abstract要約: マルチクラスゼロワン分類リスクを最小限に抑えるため,ラベル付予算の配分方法を検討する。 我々は,正則性条件下で,オラクルの前リスク基準を達成できる2段階適応法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study how a limited labeling budget should be allocated to minimize multiclass zero-one classification risk. We consider parametric classification problems in which features are observed for all sampling units while class labels can be acquired selectively. By combining the Fisher information supplied by an acquired label with the local geometry of multiclass excess risk, we derive an acquisition criterion that minimizes the leading asymptotic coefficient of expected multiclass excess risk. The resulting rule values a label according to how strongly its information is aligned with parameter directions that perturb the active Bayes decision boundary, rather than according to posterior uncertainty or global parameter information alone. We characterize the oracle acquisition design, establish its threshold structure, and derive face-specific and cost-sensitive extensions. An analytic example shows that posterior uncertainty and classification value can produce different, and even reversed, acquisition rankings. We further develop a two-stage adaptive procedure that attains the oracle leading-risk criterion under regularity conditions and provide explicit results for Gaussian discriminant analysis. Three-class QDA experiments illustrate the resulting acquisition geometry, while an application to the six-class Statlog Landsat Satellite data shows that classification-risk acquisition can differ materially from both uncertainty-based acquisition and the complete-classification-information comparator. The adaptive classification-risk design attains lower mean error than this Fisher comparator across the labeling budgets considered, although it does not uniformly outperform entropy or margin sampling and differences among the targeted strategies become small as the labeling budget increases.
• Abstract（参考訳）: マルチクラスゼロワン分類リスクを最小限に抑えるため,ラベル付予算の配分方法を検討する。 クラスラベルを選択的に取得しながら,全てのサンプリング単位に特徴を観察するパラメトリック分類問題を考察する。 取得したラベルから得られるフィッシャー情報とマルチクラス過剰リスクの局所的幾何を組み合わせることで、期待されるマルチクラス過剰リスクの漸近係数を最小化する取得基準を導出する。 得られたルールは、後続の不確実性や大域的パラメータ情報のみではなく、アクティブベイズ決定境界を乱すパラメータ方向と、その情報がどの程度強く一致しているかに応じてラベルを値付けする。 オラクルの獲得設計を特徴付け、しきい値構造を確立し、顔特異的でコストに敏感な拡張を導出する。 分析的な例は、後続の不確実性と分類値が異なる、あるいは逆の、取得ランキングを生成できることを示している。 さらに,正則性条件下でのオラクルの先行リスク基準を達成し,ガウス判別分析に明確な結果を与える2段階適応法を開発した。 3クラスQDA実験では, 得られた取得形状が示され, 6クラス統計ランドサット衛星データへの応用により, 不確実性に基づく取得と完全分類情報コンパレータの双方と, 分類リスクの獲得が実質的に異なることが示された。 適応型分類リスク設計は、ラベル付け予算が増大するにつれて、エントロピーやマージンサンプリングを均一に上回らず、目標戦略間の差異が小さくなるにもかかわらず、ラベル付け予算を考慮したフィッシャーコンパレータよりも低い平均誤差が得られる。

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)
• Fairness in multi-class multi-group classification problems via contextial coherent risk measures [0.42970700836450487]
  本稿では,ベクトル値の感度属性の存在下での多クラス分類問題に対する公平な分類器の設計を提案する。 本稿では,サポートベクタマシンフレームワークや公平性を扱う他の手法と比較して,提案フレームワークの利点を実証する。
  論文  参考訳（メタデータ） (2026-08-31T04:11:21Z)
• Risk-Consistent Multiclass Learning from Random Label-Subset Membership Queries [23.692455958661668]
  本稿では,ランダムラベルサブセットクエリに基づくマルチクラスラーニングフレームワークを提案する。 我々は、経験的リスク最小化(ERM)フレームワークの下で、目標リスクの偏りのない推定器を導出する。 負の経験的リスクとそれに伴うオーバーフィッティング問題に対処するために,非負および絶対値の補正に基づく修正されたリスク推定器を導入する。
  論文  参考訳（メタデータ） (2026-05-08T08:05:02Z)
• Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
  部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。 補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
  論文  参考訳（メタデータ） (2025-10-05T08:30:32Z)
• Stochastic Linear Bandits with Latent Heterogeneity [8.981251210938787]
  本稿では、この未観測不均一性を顧客応答で明示的にモデル化する、新しい遅延不均一バンディットフレームワークを提案する。 本手法では,グループメンバシップとグループ固有報酬関数を同時に学習する革新的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-01T13:02:21Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Approximate Regions of Attraction in Learning with Decision-Dependent Distributions [11.304363655760513]
  我々は、繰り返しリスク最小化を、実行リスク最小化の勾配流の軌跡として分析する。 この設定において、様々な平衡に対するアトラクションの領域を特徴付ける条件を提供する。 本稿では、繰り返しリスク最小化の収束に関する幾何学的条件を提供する性能的アライメントの概念を、性能的リスク最小化に導入する。
  論文  参考訳（メタデータ） (2021-06-30T18:38:08Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• 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。