Oct, 2023

基于正则化的排序量化方法

PDF
TL;DR分类量化的研究在近年来获得了更多的关注，但是大部分的研究都集中在二分类和多分类问题上，很少研究有序情况下的分类量化。本文主要贡献有三点：首先，我们创建了两个新的有序分类量化数据集，弥补了之前数据集的不足；其次，我们对现有的有序分类量化算法进行了实验比较，将来自数据挖掘和天体物理学等不同研究领域的算法作者集于一身；第三，我们提出了一种新的正则化的有序分类量化算法，在实验中优于现有算法。我们的算法在性能上取得了提升，关键原因是我们的正则化方法防止了在实际应用中不合理的有序估计，因为我们假设有序分布在实践中趋于平滑，我们通过多个实际应用案例对此假设进行了非正式验证。
quantificationordinal casedatasetsalgorithmsregularized oq algorithms
发现论文，激发创造
  • 量化问题的在线优化方法

    本研究提出了用于优化量化特定的性能参数的首批在线随机算法，其对于多变量优化的理论具有最优的收敛性，并通过实验验证，相对于现有的算法，能够更好地对性能参数进行优化。

    May, 2016

  • 多元损失函数的文本量化器优化

    本研究旨在探讨采用结构化预测的有监督学习模型解决量化问题，通过在 5500 个二进制高维数据集上实验，证明该方法比现有的量化方法更准确、更稳定、更高效。

    Feb, 2015

  • 正则化分类感知量化

    本文提出了一种正则化分类感知量化的算法，该算法通过在重构误差上进行正则化 0-1 损失，用于二元分类任务，性能比文献中的基准量化方案更优，并能在未见数据上快速处理。

    Jul, 2021

  • 迈向序数数据科学

    本文讨论了用于测量和计算序列结构的不同方法，并展示如何从中推断知识，以建立序数数据科学作为一种全新的研究议程。这将对心理学、社会学、经济学、网络科学、知识工程学和科学计量学等多个学科产生广泛影响。

    Jul, 2023

  • 二进制量化和数据集变化：实验调查

    在这项研究中，我们通过实验分析了当前的定量化算法在不同类型的数据集偏移下的行为，以识别现有方法的局限性，并为开发更广泛适用的方法铺平道路。我们通过提出细粒度的数据集偏移类型分类，建立受这些偏移类型影响的数据集生成协议，并在生成的数据集上测试现有的定量化方法。研究结果表明，许多已被发现对于先验概率偏移具有鲁棒性的定量化方法对于其他类型的数据集偏移可能不具备鲁棒性。此外，没有发现任何现有的定量化方法能够对我们在实验中模拟的所有数据集偏移类型具备足够的鲁棒性。

    Oct, 2023

  • Ord2Seq：将顺序回归视为标签序列预测

    本文提出了一个简单的序列预测框架 Ord2Seq，将有序回归任务转化为序列预测过程，以便细致地区分相邻类别，实验证明细致区分相邻类别能够显著提高性能，并且新方法在四个不同场景中超越了现有最先进方法的表现。

    Jul, 2023

  • 专家和组合游戏的二阶分位数方法

    本文介绍了一种适应性的算法，它基于聚合一定范围内的学习速率的潜在函数，旨在在困难程度不同的数据上确定性能更好的连续性决策制定策略。

    Feb, 2015

  • 序数分类的一致风险控制

    我们扩展了标准的符合预测方法，开发了几种符合风险控制方法，并应用于不同的学习问题。本文中，我们致力于控制序列分类任务中的符合风险，该任务在许多实际问题中具有广泛应用。为此，我们首先在符合风险控制框架中对序列分类任务进行了规范，并提供了理论风险边界控制方法。然后，我们提出了两种特别设计用于序列分类任务的损失函数，并开发了相应的算法来确定每种情况的预测集，以便将其风险控制在所需的水平。我们展示了我们提出的方法的有效性，并分析了两种风险在三个不同数据集上的差异，包括模拟数据集、UTKFace 数据集和糖尿病视网膜病变检测数据集。

    May, 2024

  • 学习概率顺序嵌入以实现具有不确定性的回归

    本文提出了学习概率顺序嵌入来表示每个数据的方法，这些嵌入由多变量高斯分布表示，以更好的建模回归中的不确定性，并且可以与流行的回归方法集成，通过实验结果证明其具有竞争性的表现和确定性评估的能力。

    Mar, 2021

  • 二阶不确定性量化：基于方差的度量

    在这篇论文中，我们提出了一种新的方法来使用基于方差的度量标准来量化分类问题中的不确定性，能够对类别级别的不确定性进行推理，该方法在需要细致决策的情况下非常有用。除了这种公理方法，我们还提供了实证结果，表明这种度量标准在有效性和竞争性上与常用的基于熵的度量标准相当。

    Dec, 2023