論文の概要: Extreme Binary Classification: Extreme Value Theory for Extreme Constraint on False Negative

• arxiv url: http://arxiv.org/abs/2610.09984v1
• Date: Wed, 07 Oct 2026 12:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.910251
• Title: Extreme Binary Classification: Extreme Value Theory for Extreme Constraint on False Negative
• Title（参考訳）: 極値二項分類:偽負の極値制約に対する極値理論
• Abstract要約: 極端二項分類問題(Extreme Binary Classification problem)を導入し、ほぼゼロの偽陰率の分類器を学習することを目的とする。 本稿では, 極値理論から導出される保証を理論的に基礎としたしきい値適応法と, 置換試験に基づく特徴選択手法を提案する。 異なる大きさの4つの実世界のデータセットに対する実験結果から,本手法が最先端手法と良好に比較できることが示された。
• 参考スコア（独自算出の注目度）: 1.357291726431012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While binary classification is one of the most extensively studied problems in machine learning, the regime in which the goal is to learn a classifier with an almost zero false negative rate remains largely unexplored. In this paper, we introduce the Extreme Binary Classification problem, where the objective is to learn a classifier whose false negative rate $α$ is constrained by $ε_{N_1}=o_{N_1\to\infty}(1/N_1)$, with $N_1$ denoting the number of positive examples in the training set. To address this problem, we propose a threshold adaptation method theoretically grounded in guarantees derived from Extreme Value Theory, together with a feature selection procedure based on a permutation test applied to sample maxima. Experimental results on four real-world datasets of varying sizes demonstrate that our approach compares favorably with state-of-the-art methods. In addition, we illustrate its interpretability through an application to a cancer screening dataset.
• Abstract（参考訳）: 二項分類は機械学習において最も広く研究されている問題の1つであるが、ほとんどゼロの偽陰性率を持つ分類器を学習することが目的の体系は、ほとんど未解明のままである。 本稿では, エクストリーム二項分類問題(Extreme Binary Classification problem)を導入し, 偽陰性率$α$が$ε_{N_1}=o_{N_1\to\infty}(1/N_1)$で制約された分類器を学習することを目的とした。 この問題に対処するために,極値理論に基づく保証を理論的に基礎としたしきい値適応法と,サンプル最大値に適用した置換テストに基づく特徴選択手法を提案する。 異なる大きさの4つの実世界のデータセットに対する実験結果から,本手法が最先端手法と良好に比較できることが示された。 さらに、がんスクリーニングデータセットへの応用を通して、その解釈可能性について説明する。

関連論文リスト

• Fundamental limits of distributed multiclass classification from simple binary decisions [5.668668551176212]
  対応する二項分類器が超平面であるとき、そのような分類器の基本的な性能限界について検討する。 K$ 級中心が $mathbb Rd$ の独立ガウス点であり、観測がガウスノイズによって損なわれるような形式化されたガウス的設定に対しては、いくつかの復号化および次元的レジームの明示的なパフォーマンス境界を導出する。
  論文  参考訳（メタデータ） (2026-07-21T17:53:44Z)
• Deconstructing the Failure of Ideal Noise Correction: A Three-Pillar Diagnosis [82.06444754727156]
  ノイズ補正法は,まだ訓練中の性能低下に悩まされていることを示す。 このことは、失敗が基本的に$T$推定の問題ではなく、より根深い欠陥に起因することを、説得力強く示している。 我々は、マクロ収束状態、微視的最適化ダイナミクス、ノイズラベルから何が学べるかについての情報理論的限界の3つのレベルをリンクする統合分析を提供する。
  論文  参考訳（メタデータ） (2026-03-13T13:53:04Z)
• The surprising strength of weak classifiers for validating neural posterior estimates [8.37884129644711]
  コンフォーマルC2STは、様々なベンチマークで古典的な差別テストより優れている。 これらの結果は,現代シミュレーションに基づく推論のための実用的,理論的に基礎的な診断として,共形C2STを確立した。
  論文  参考訳（メタデータ） (2025-07-22T21:30:06Z)
• 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)
• Regularized Linear Regression for Binary Classification [20.710343135282116]
  正規化線形回帰は、トレーニングセットがノイズラベルを持つ二項分類問題に対して有望なアプローチである。 十分な正則化強度に対して、最適重みは反対符号の2つの値の周りに集中していることを示す。 多くの場合、各重みの1ビットに対する「圧縮」が性能の損失を極めて少なくする。
  論文  参考訳（メタデータ） (2023-11-03T23:18:21Z)
• Benign Overfitting in Adversarially Robust Linear Classification [91.42259226639837]
  分類器がノイズの多いトレーニングデータを記憶しながらも、優れた一般化性能を達成している「双曲オーバーフィッティング」は、機械学習コミュニティにおいて大きな注目を集めている。 本研究は, 対人訓練において, 対人訓練において, 良心過剰が実際に発生することを示し, 対人訓練に対する防御の原則的アプローチを示す。
  論文  参考訳（メタデータ） (2021-12-31T00:27:31Z)
• Mixture Proportion Estimation and PU Learning: A Modern Approach [47.34499672878859]
  正の例とラベルなしの例のみを考えると、正逆負の正の正の分類器を正確に見積もることを望むかもしれない。 両方の問題の古典的な方法は、高次元の設定で分解される。 BBE(Best Bin Estimation)とCVIR(Value Ignoring Risk)の2つの簡単な手法を提案する。
  論文  参考訳（メタデータ） (2021-11-01T14:42:23Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Binary classification with ambiguous training data [69.50862982117127]
  教師付き学習では、ドメインの専門家でさえラベル付けが難しい曖昧な(A)サンプルに直面します。 この問題は、ラベルなしサンプルが必ずしも難しいサンプルではないため、半教師付き学習とは大きく異なる。
  論文  参考訳（メタデータ） (2020-11-05T00:53:58Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Classifier-independent Lower-Bounds for Adversarial Robustness [13.247278149124757]
  理論的には、テストタイムの逆数と雑音の分類例に対するロバスト性の限界を解析する。 最適輸送理論を用いて、与えられた分類問題に対して分類器ができるベイズ最適誤差の変分式を導出する。 一般的な距離ベース攻撃の場合,ベイズ最適誤差に対して明らかな下限を導出する。
  論文  参考訳（メタデータ） (2020-06-17T16:46:39Z)

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。