論文の概要: Hierarchical Utility Calibration for Structured Multiclass Decisions
- arxiv url: http://arxiv.org/abs/2609.36532v1
- Date: Tue, 29 Sep 2026 02:25:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.116567
- Title: Hierarchical Utility Calibration for Structured Multiclass Decisions
- Title（参考訳）: 階層型多クラス決定のための階層型ユーティリティキャリブレーション
- Abstract要約: ユーティリティ監査(UC)は、特定のユーティリティの監査に焦点を当てている。
UCが階層内のユーティリティをどのように評価するかは、まだ十分に理解されていない。
実効ユーティリティと予測平均ユーティリティの違いは、ラベルツリーの内部ノードからのコントリビューションの合計を正確に分解できることを示す。
- 参考スコア（独自算出の注目度）: 17.55207845567135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In multiclass probabilistic prediction, Utility Calibration (UC), which focuses auditing on specified utilities, has recently received attention as a way to guarantee downstream decisions while controlling computational and sample requirements. At the same time, some multiclass problems have meaningful label hierarchies that play important roles in medicine and image classification, yet how UC evaluates utility within a hierarchy remains insufficiently understood. We show that the difference between realized utility and predicted mean utility admits an exact decomposition into a sum of contributions from the internal nodes of the label tree. This decomposition shows that positive and negative contributions from different nodes can cancel, and that even when UC is small, the utility errors remaining in parts of the hierarchy need not be small. To address this problem, we propose Hierarchical Utility Calibration (HUC), which evaluates each node contribution before summation while retaining the same target utility, subgroup, and predicted-utility interval. We further provide finite-sample evaluation over all predicted-utility intervals and propose HUC-Boost, which updates only violated internal nodes, with theoretical guarantees for both.
- Abstract（参考訳）: マルチクラスの確率的予測では、特定のユーティリティの監査に焦点を当てたユーティリティ校正(Utility Calibration, UC)が、最近、計算およびサンプル要求を制御しながら下流決定を保証する方法として注目されている。
同時に、いくつかのマルチクラス問題は、医学や画像分類において重要な役割を担う有意義なラベル階層を持っているが、UCが階層内の実用性を評価する方法はまだ十分に理解されていない。
実効ユーティリティと予測平均ユーティリティの違いは、ラベルツリーの内部ノードからのコントリビューションの合計を正確に分解できることを示す。
この分解は、異なるノードからの正および負の寄与がキャンセル可能であることを示し、UCが小さい場合でも、階層の一部に残るユーティリティエラーは小さくならないことを示している。
この問題に対処するため,階層型ユーティリティ校正 (HUC) を提案する。
さらに,予測効用区間の有限サンプル評価を行い,内部ノードのみを更新するHUC-Boostを提案する。
関連論文リスト
- Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。
14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
論文 参考訳（メタデータ） (2026-07-08T02:50:02Z) - UniDial-EvalKit: A Unified Toolkit for Evaluating Multi-Faceted Conversational Abilities [70.79422099851506]
対話型AIシステム評価のための統合評価ツールキットUniDial-EvalKit(UDE)を提案する。
UDEは異種データフォーマットを普遍的なスキーマに標準化し、モジュールアーキテクチャを通じて複雑な評価パイプラインを合理化し、一貫したスコアリングインターフェースの下でメートル法計算を調整する。
論文 参考訳（メタデータ） (2026-03-24T13:01:31Z) - Universal NP-Hardness of Clustering under General Utilities [11.62669179647184]
有限距離空間上の多変数時間計算可能分割ユーティリティを動機付ける共通最適化コアを定式化する。
k-means、GMMs、DBSCAN、スペクトルクラスタリング、親和性伝播を含む10の主要なパラダイムをUPPフレームワークにマッピングすることで、それぞれのパラダイムがこの基本的障害を継承することを示した。
論文 参考訳（メタデータ） (2026-02-27T13:08:15Z) - FUSE: Fast Semi-Supervised Node Embedding Learning via Structural and Label-Aware Optimization [0.0]
3つの相補的目的を共同で最適化する高速半教師あり組込みフレームワークを提案する。
標準ベンチマークにおいて,本手法は最先端手法と同等以上の分類精度を一貫して達成する。
論文 参考訳（メタデータ） (2025-10-13T10:39:58Z) - Hierarchical Conformal Classification [5.964388602612373]
コンフォーマル予測(CP)は、機械学習モデルにおける不確実性を定量化する強力なフレームワークである。
標準CPは、クラスをフラットで非構造化として扱い、クラスラベル間の意味や階層構造のような関係を無視している。
本稿では,クラス階層を予測集合の構造と意味論の両方に組み込んだCPの拡張である階層型HCCal Classification (HCC)を提案する。
論文 参考訳（メタデータ） (2025-08-18T18:05:55Z) - Calibrated Feature Decomposition for Generalizable Person
Re-Identification [82.64133819313186]
Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。
キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
論文 参考訳（メタデータ） (2021-11-27T17:12:43Z) - Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object
Re-identification [123.75412386783904]
最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。
UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。
我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2021-08-22T09:57:14Z) - 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) - Interpretable Rule Discovery Through Bilevel Optimization of Split-Rules
of Nonlinear Decision Trees for Classification Problems [7.8140593450932965]
非線形決定木(NLDT)を用いた単純な数学的規則の集合として分類器を表現する。
各条件ノードにおける分割ルールの構造と決定木の深さを制限することにより、分類器の解釈可能性を保証する。
2～500種類の問題の結果は、より困難で複雑な分類タスクに提案手法を適用することのさらなる範囲を奨励し、開放している。
論文 参考訳（メタデータ） (2020-08-02T06:35:32Z) - Learning Gradient Boosted Multi-label Classification Rules [4.842945656927122]
本稿では,分解不能な損失関数だけでなく,分解不能な損失関数を最小化できる多ラベル分類規則の学習アルゴリズムを提案する。
我々は,合成データに対するアプローチの能力と限界を分析し,その予測性能をマルチラベルベンチマークで評価する。
論文 参考訳（メタデータ） (2020-06-23T21:39:23Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。