論文の概要: Local Robustness Quantification for Naive Bayes Classifiers and Generative Forests: a General Approach

• arxiv url: http://arxiv.org/abs/2609.11366v1
• Date: Thu, 10 Sep 2026 10:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.308054
• Title: Local Robustness Quantification for Naive Bayes Classifiers and Generative Forests: a General Approach
• Title（参考訳）: ナイーブベイズ分類と生産林の局所ロバスト性定量化 : 総合的アプローチ
• Authors: Adrián Detavernier, Jasper De Bock,
• Abstract要約: 本稿では,確率図形モデル(PGM: Probabilistic Graphical Model: ベイズ分類器)と生成林(Generative Forests)の2種類の生成分類器のロバスト性を計算する方法を提案する。 本研究では,一般地区におけるPGMの局所モデルの変化から得られる摂動について考察し,特にエプシロン汚染,全変動距離,カイ二乗発散球に着目した。 提案手法をベンチマークデータセット上でテストし,その信頼性の指標として予測の頑健さが有効であることを実証し,そのアプローチを他の指標と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We provide methods for calculating the robustness of the predictions of two types of generative classifiers whose underlying distribution is a Probabilistic Graphical Model (PGM): naive Bayes classifiers and generative forests (a probabilistic extension of random forests). Following the paradigm of robustness quantification, we define the robustness of a prediction as the extent to which the distribution of the classifier can be perturbed without changing this prediction. We consider perturbations obtained by varying the local models of the PGMs within general neighborhoods and focus in particular on epsilon-contamination, total variation distance and chi-squared divergence balls. We test our methods on benchmark datasets, demonstrate that the robustness value of a prediction serves as an indicator for its trustworthiness and compare our approach with other such indicators.
• Abstract（参考訳）: 本稿では,確率図式モデル (PGM) を基礎として, ベイズ分類器と生成林(ランダム林の確率的拡張)の2種類の生成分類器のロバスト性を計算する手法を提案する。 頑健性定量化のパラダイムに従い、この予測を変更することなく分類器の分布が摂動できる範囲として予測の頑健性を定義する。 本研究では,一般地区におけるPGMの局所モデルの変化から得られる摂動について考察し,特にエプシロン汚染,全変動距離,カイ二乗発散球に着目した。 提案手法をベンチマークデータセット上でテストし,信頼性の指標として予測の頑健さが有効であることを実証し,他の指標と比較した。

関連論文リスト

• Localized Uncertainty Quantification in Random Forests via Proximities [1.0195618602298684]
  機械学習では、不確実性定量化はモデルの予測の信頼性を評価するのに役立つ。 従来のアプローチでは予測精度が重視されることが多いが、不確実性対策の導入に焦点が当てられている。 自然発生試験セットと類似度尺度(確率)をランダム林の副産物と見なす新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-26T20:53:28Z)
• Invariant Probabilistic Prediction [45.90606906307022]
  任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
  論文  参考訳（メタデータ） (2023-09-18T18:50:24Z)
• 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)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Towards Robust Classification with Deep Generative Forests [13.096855747795303]
  決定木とランダムフォレストは最も広く使われている機械学習モデルの一つである。 主に識別モデルであるため、予測の不確実性を操作するための原則的な方法が欠けている。 我々はジェネレーティブフォレスト(GeF)を利用してランダムフォレストを特徴空間上の全関節分布を表す生成モデルに拡張する。
  論文  参考訳（メタデータ） (2020-07-11T08:57:52Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。