自适应的代价敏感的在线分类
本论文提出了一种新颖的代价敏感分类方法,称为软代价敏感分类,通过多准则优化将代价和错误率相结合,可以改善现有的代价敏感分类算法,并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明,该方法在测试错误率和测试代价方面都比现有的代价敏感分类算法更优秀。
Oct, 2017
设计了一种用于成本敏感分类的通用非参数主动学习算法,通过构建每个标签的预测成本函数的置信区间,该算法选择最具信息量的向量点,通过仅查询可能是最小的预测成本来与其交互,证明了该算法在与向量空间的交互数量方面达到了最优收敛速率,并且在对 Tsybakov 的噪声假设的一般版本中,通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益,并且通过提供匹配的(仅差对数因子的)下界证明了获得上界的接近最优性。
Sep, 2023
本文研究了在实际应用中,某些对抗变换的重要性可能比其他变换更高的情况下,如何衡量分类器在对抗干扰下的鲁棒性,并提出了一般性的目标函数,将 Wong 和 Kolter(2018)的鲁棒训练方法进行了改进。通过实验证明,所提出的方法可以显著降低成本敏感鲁棒错误,同时保持分类准确性。
Oct, 2018
本文提出了一种新的成本敏感的提升方法 AdaCC,该方法不依赖于固定的错误分类成本矩阵,而是根据模型性能动态调整误分类成本,优于 12 种现有方法,在 27 个真实世界数据集上实现了稳定的改进。
Sep, 2022
我们研究了在成本敏感场景中学习对抗鲁棒分类器的问题,通过一个二进制成本矩阵编码不同分类的敌对转换的潜在危害。我们提出了一种能够为任意成本矩阵提供严密鲁棒性保证的改进版随机平滑认证方法,并使用针对不同数据子组的细粒度认证半径优化方案,提出了一种优化成本敏感鲁棒性的平滑分类器训练算法。我们在图像基准测试和现实世界医学数据集上的大量实验证明了我们方法在实现显著改善认证成本敏感鲁棒性性能的同时,对整体准确性的影响可以忽略不计。
Oct, 2023
本文提出了一个基于代价敏感分类器的集成学习方法,用于分类与拒绝模型,它允许灵活选择损失函数并且适用于二分类和多分类情形。实验结果表明我们提出的方法在不同类型的分类任务中表现良好。
Oct, 2020
本研究提出了一种基于强化学习和 MC dropout 采样方法的在线成本敏感特征获取方案,该方案可适用于流式学习的场景,测试结果表明该方案能够有效地获取特征并做出准确预测。
Jan, 2019
本文提出了一种采用新的优化准则的分类算法,该准则考虑了分类错误的成本和等待决策的成本,并尝试通过使用聚类或分类器来减少误判和延迟的影响,实验结果表明,这种方法优于传统的基于经验策略的方法。
May, 2020
我们针对多分类成本敏感分类问题设计了主动学习算法:通过回归每个标签的成本并预测最小值来进行预测,它只查询可能最好的标签,忽略不可能的失败者,我们证明了 COAL 可以高效地实现任何支持平方损失优化的回归函数家族;它还享有与预测性能和标签工作量相关的强大保证。我们在真实数据集上将 COAL 与被 动学习和几种主动学习基线进行了经验比较,证明在标签工作量和测试成本方面有显着的改进。
Mar, 2017