Jun, 2023

聚合观测分类的通用无偏方法

PDF
TL;DR该论文提出了一种新的通用的 CFAO 方法，通过为分类器学习提供纯净的监督并使用无偏风险估计器来保证风险的一致性，从而克服了先前研究中的问题。
supervised classificationclassification from aggregate observationsmultiple-instance learninglabel proportionsunbiased estimator
发现论文，激发创造
  • 从聚合观察中学习

    本文提出了一个概率框架，将多实例学习扩展到多类分类和回归等其他问题，并引入一种新的一致性概念来表征估计器，证明了在温和的假设下具有良好的收敛性。实验证明，该方法在三种问题设置中具有有效性。

    Apr, 2020

  • 众包的监督集体分类

    本论文提出一种有监督的集成分类算法，旨在确定训练数据（例如，具有已知标签的项目）中可靠的标注者（即加权因子），使用马鞍点算法来确定每个标注者的可靠性，研究结果表明，有监督的方法可以比无监督的方法获得更好的分类准确性，而我们提出的方法优于其他算法。

    Jul, 2015

  • 使用群体级别标签进行弱监督分类

    本文提出使用群体级别二元标签作为弱监督来训练示例级别二元分类模型的方法，并将群体级别标签建模为个体实例的条件嘈杂标签，并使用嘈杂标签来调整在强标记实例上训练的模型的预测。实验结果表明，该方法对地表覆盖映射等真实应用具有实用价值，无论类别不平衡是否存在。

    Aug, 2021

  • 使用增强类学习的广义无偏风险估计器

    本文提出了一种通用的无偏风险估计器，可配备任意损失函数，同时保持理论保证，以解决采用增强类进行学习时常见的负样本问题。通过实验验证了该方法的有效性。

    Jun, 2023

  • 公平分类的无偏子数据选择：一致框架和可扩展算法

    该论文提出了一个新的统一框架，利用深度分类模型对证明的公平性指标进行联合优化，适用于许多分类器，解决了现有方法无法建模精确公平性的问题。

    Dec, 2020

  • 从群体统计数据中了解个体

    本研究提出了一种新的问题形式，解决了二进制多实例学习问题，并创建了一个基于概率的模型，通过有效的 MCMC 算法进行训练，利用组统计信息来学习实例级分类器，以推断个体的未知二进制标签。该模型在一般对象识别中得到了应用。

    Jul, 2012

  • 从两个未标记数据集进行监督分类中缓解过拟合：一种一致的风险校正方法

    本文介绍一个基于经验风险最小化的无标注二分类方法。该方法有时可能会出现严重的过拟合。因此，我们提出了一种校正函数来限制过拟合，并证明了校正后的风险估计器的一致性和估计误差界限。实验结果显示，我们的方法成功地缓解了 UU 方法的过拟合问题，并显著提高了分类准确性。

    Oct, 2019

  • 具有因果正则化的学习：对数据选择偏差的不可知性处理

    本文基于因果关系假设，将因果技术纳入预测建模中，提出一种新的因果正则化逻辑回归（Causally Regularized Logistic Regression，CRLR）算法，以共同优化全局混杂因素平衡和加权逻辑回归，以解决对假设的无知选择偏差对实际应用中的稳健模型学习的重要性问题。

    Aug, 2017

  • 基于成对相似度和无标签数据的分类

    提出了一种新的弱监督学习设置，称为 SU 分类，只需要相似数据对和未标记数据点，可以从 SU 数据中获得分类风险的无偏估计量，并证明其经验风险最小化器的估计误差达到最优参数收敛速率。通过实验证明了该方法的有效性。

    Feb, 2018

  • 通过分组学习：一种多层次优化框架，提高分类公平性而不损失准确性

    本文提出了一种新的机器学习框架，旨在为实现公正和准确性而学习分组，从而减少 ML 模型在特定人群中的偏见和歧视，并在各种数据集上实现了最新技术的改进。

    Apr, 2023