論文の概要: Context-Adaptive Thresholding for Conditionally Representative Monitoring and Classification

• arxiv url: http://arxiv.org/abs/2609.26652v1
• Date: Tue, 22 Sep 2026 16:20:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.742768
• Title: Context-Adaptive Thresholding for Conditionally Representative Monitoring and Classification
• Title（参考訳）: コンテクスト適応型閾値設定による環境適応型モニタリングと分類
• Abstract要約: 本稿では,任意のしきい値型分類器resp.モニタリングルールを修正して,代表的な条件ラベル予測を実現する方法について述べる。 アラームイベントが未知の場合、このアプローチはしきい値ルールの観点からイベントを推論することを可能にする。 解釈可能な機械学習でよく使われるよく知られたFICOSクレジットスコアリングの例では、しきい値適応は容易に解釈可能な決定ルールをもたらす。
• 参考スコア（独自算出の注目度）: 0.21485350418225244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commonly, classifiers and monitoring procedures are trained from labeled data by optimizing an objective such as the misclassification rate. This may lead to unrepresentative conditional distributions of the outcome (the labels) given important external variables, different from the conditional laws in the population. We show how to modify any given threshold-type classifier resp. monitoring rule to achieve representative conditional label prediction by using adapting the threshold to a covariate $Z$ (the context) to distribute sensitivity while maintaining the false alarm rate. In case that the alarm event is unknown, this approach also allows to (approximately) infer the event in terms of a thresholding rule. The approach is implemented by a computationally cheap nonparametric estimation procedure, and its properties are studied in terms of nonasymptotic error bounds and asymptotic distribution theory including empirical process theory. These results allow to construct uniform confidence bands, functional hypothesis tests and change-detection procedures. For the well known FICOS credit scoring example, often used in interpretable machine learning, threshold adaptation leads to an easily interpretable decision rule which can compete with state of the art methods including transformers, in terms of common classification metrics.
• Abstract（参考訳）: 一般的に、分類器と監視手順は、誤分類率などの目的を最適化することによりラベル付きデータから訓練される。 これは、人口の条件法則とは異なる重要な外部変数が与えられた結果(ラベル)の非表現的な条件分布につながる可能性がある。 しきい値型分類器 resp の変更方法を示す。 閾値を共変量$Z$(コンテキスト)に適応させて、偽アラームレートを維持しながら感度を分散することにより、代表的な条件ラベル予測を実現するための監視ルール。 アラームイベントが未知の場合、この手法はしきい値ルールの観点からイベントを(ほぼ)推測することを可能にする。 この手法は計算的に安価な非パラメトリック推定法によって実装され、その特性は漸近誤差境界や経験過程理論を含む漸近分布理論の観点から研究されている。 これらの結果により、均一な信頼バンド、機能仮説テスト、変化検出手順を構築することができる。 解釈可能な機械学習でよく使われるよく知られたFICOSクレジットスコアリングの例では、しきい値適応は、一般的な分類基準の観点から、トランスフォーマーを含む最先端の手法と競合する、容易に解釈可能な決定ルールをもたらす。

関連論文リスト

• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Classification under Nuisance Parameters and Generalized Label Shift in Likelihood-Free Inference [3.507509142413452]
  本稿では,不確実性定量化のための新しい手法を提案する。 提案手法は,ドメイン適応能力を持つ事前学習型分類器を効果的に提供し,高出力を維持しながら有効な予測セットを返却する。 現実的な力学モデルから得られたデータを用いて、生物学と天体物理学における2つの挑戦的な科学的問題に対して、その性能を実証する。
  論文  参考訳（メタデータ） (2024-02-08T00:12:18Z)
• Adaptive conformal classification with noisy labels [22.33857704379073]
  キャリブレーション試料のランダムなラベル汚染に自動的に適応できる分類タスクに対する新しいコンフォメーション予測手法を開発した。 これは、ラベル汚染の有無で標準共形推論によって影響を受ける効果的なカバレッジインフレーションを正確に評価することで可能となる。 提案手法の利点は、広範囲なシミュレーションと、CIFAR-10H画像データセットを用いたオブジェクト分類への応用によって実証される。
  論文  参考訳（メタデータ） (2023-09-10T17:35:43Z)
• 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)
• Conformalized Unconditional Quantile Regression [27.528258690139793]
  コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。 提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
  論文  参考訳（メタデータ） (2023-04-04T00:20:26Z)
• Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
  実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。 我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
  論文  参考訳（メタデータ） (2022-05-28T02:59:05Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)

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。