論文の概要: Neyman-Pearson Classification with Indecisions: Simultaneous Control of Selective Type I and Type II Errors

• arxiv url: http://arxiv.org/abs/2610.04233v1
• Date: Sat, 03 Oct 2026 02:49:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:53:48.047752
• Title: Neyman-Pearson Classification with Indecisions: Simultaneous Control of Selective Type I and Type II Errors
• Title（参考訳）: 不確定性のあるNeyman-Pearson分類:選択型I型とII型エラーの同時制御
• Abstract要約: Indecisions (NPI) を用いたNeyman-Pearson分類の検討 NPIは、不確実な観測が未分類のままであることを認めている。 候補となるしきい値ペアをすべて組み合わせたモデルフリーキャリブレーション手法を開発した。
• 参考スコア（独自算出の注目度）: 1.4695979686066067
• License:
• Abstract: Binary classification often requires controlling both type I and type II error rates at prespecified levels. When the class distributions overlap substantially, the two error limits may be incompatible if every observation must be classified. We study Neyman-Pearson classification with indecisions (NPI), which permits uncertain observations to remain unclassified and assesses selective type I and type II errors among definitive classifications within each class. For an independently trained score, we develop a model-free calibration procedure that combines all candidate threshold pairs passing calibration into a rule whose decision region contains that of every passing candidate. We couple the entire threshold search to a common martingale within each class and compute its finite-horizon crossing probability exactly, avoiding a multiplicity adjustment for the number of candidate pairs. The resulting classifier satisfies both population selective error limits simultaneously with user-specified high probability in finite samples, without assumptions on the accuracy of the fitted score. We bound the additional indecision due to calibration and evaluate the procedure in simulations and applications to recidivism and credit-default prediction.
• Abstract（参考訳）: バイナリ分類は、しばしば所定のレベルでI型とII型の両方のエラー率を制御する必要がある。 クラス分布が大幅に重なると、すべての観測を分類しなければならない場合、2つの誤差限界は相容れない。 Indecisions (NPI) を用いたNeyman-Pearson分類について検討し、不確定な観察が未分類のままであり、各分類群における選択型I型とタイプII型の誤りを評価する。 独立に訓練されたスコアに対して、キャリブレーションを通過する全ての候補しきい値ペアを、決定領域が通過するすべての候補の値を含む規則に組み合わせたモデルフリーキャリブレーション手法を開発する。 各クラス内の共通マーチンゲールにしきい値全体の探索を行い、その有限水平交叉確率を正確に計算し、候補ペア数に対する多重度調整を避ける。 得られた分類器は、適合したスコアの精度を仮定することなく、有限標本中のユーザ特定高確率と同時に、両方の集団選択誤差限界を満たす。 我々はキャリブレーションによる付加的不確定性を拘束し、シミュレーションおよび再シディズムおよび信用デフォルト予測への応用について評価する。

関連論文リスト

• Classification Error Bound for Low Bayes Error Conditions in Machine Learning [50.25063912757367]
  機械学習における誤りミスマッチとKulback-Leibler分散の関係について検討する。 多くの機械学習タスクにおける低モデルに基づく分類誤差の最近の観測により、低ベイズ誤差条件に対する分類誤差の線形近似を提案する。
  論文  参考訳（メタデータ） (2025-01-27T11:57:21Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Non-Asymptotic Performance of Social Machine Learning Under Limited Data [45.48644055449902]
  本稿では,社会機械学習フレームワークに関連付けられた誤りの確率について検討する。 これは、ラベルのないデータのストリームを分散的に分類する問題に対処する。
  論文  参考訳（メタデータ） (2023-06-15T17:42:14Z)
• Disparate Conditional Prediction in Multiclass Classifiers [17.839601584754217]
  異なる条件予測尺度(DCP)を多クラス分類器に一般化する。 DCPは、分類器が最も近い共通基底線とは異なる条件付き予測確率で予測する集団の分数として定義される。 2つの異なる条件下でのマルチクラスDCPを推定するための新しい局所最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-06-07T12:26:28Z)
• Calibrating Predictions to Decisions: A Novel Approach to Multi-Class Calibration [118.26862029820447]
  我々は、下流の意思決定者に対して、予測された分布と真の分布を区別不能にする必要がある新しい概念、即時校正を導入します。 決定キャリブレーションは、皮膚病変の判定と、現代のニューラルネットワークを用いたImageNet分類を改善する。
  論文  参考訳（メタデータ） (2021-07-12T20:17:28Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)
• How to Control the Error Rates of Binary Classifiers [0.0]
  本稿では,二項分類を統計的テストに変換し,p値の分類を計算し,対象の誤差率を制限する方法を示す。 特に、二項分類器を統計検査に変換し、p-値の分類を計算し、対象の誤差率を制限する方法を示す。
  論文  参考訳（メタデータ） (2020-10-21T14:43:14Z)
• Predictive Value Generalization Bounds [27.434419027831044]
  本稿では,二項分類の文脈におけるスコアリング関数の評価のためのビクテリオンフレームワークについて検討する。 本研究では,新しい分布自由な大偏差と一様収束境界を導出することにより,予測値に関するスコアリング関数の特性について検討する。
  論文  参考訳（メタデータ） (2020-07-09T21:23:28Z)

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。