文献

J-GLOBAL ID：202202210956060598   整理番号：22A0825786

特定クラスのリコール改善のための加法的角度マージン損失による分類器学習

CAMRI Loss: Class-wise Additive Angular Margin Loss for Improving Recall of a Specific Class

著者 (7件)： 西山大輝 (筑波大 大学院システム情報工学研究群) ,  福地一斗 (筑波大 大学院システム情報工学研究群) ,  福地一斗 (理研 革新知能統合研究セ) ,  秋本洋平 (筑波大 大学院システム情報工学研究群) ,  秋本洋平 (理研 革新知能統合研究セ) ,  佐久間淳 (筑波大 大学院システム情報工学研究群) ,  佐久間淳 (理研 革新知能統合研究セ)
資料名： 電子情報通信学会技術研究報告(Web)  (IEICE Technical Report (Web))
巻： 121  号： 321(IBISML2021 18-29)  ページ： 29-36 (WEB ONLY)  発行年： 2022年01月10日 
JST資料番号： U2030A  ISSN： 2432-6380  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 多クラス分類モデルの実世界応用では誤判定が重大な損失に繋がるクラスのRecallをより高くしたいニーズがある。本研究ではCross-Entropy Lossを用いた場合と比較して,Accuracyを保ちつつ重要クラスのRecallを改善できる損失関数を提案する。既存研究では最後の全結合層の重みと特徴ベクトルのなす角度の大きさに基づいて損失を与えることで良い成果が出ている。提案法ではこれに加え,この角度に対して重要クラスの特徴を学習する場合に限りペナルティを与える。提案法は重要クラスの特徴と重みのなす角度の分散を,他のクラスと比較して相対的に低下させることに効果があることを実験により示した。CIFAR-10,GTSRB,AwA2からの合計9クラスを対象にした実験で,提案法はCross-Entropy Lossに対して最大約9%のRecall改善をAccuracyを損なうことなく達成できることを確認した。(著者抄録)

シソーラス用語： *分類 ,  機械学習 ,  *ニューラルネットワーク ,  *損失関数 ,  精度 ,  再現性 ,  実験 ,  畳込みニューラルネットワーク ,  多クラス分類 ,  評価実験
準シソーラス用語： CNN

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (24件)：

• C. Elkan, “The foundations of cost-sensitive learning,” Proceedings of the Seventeenth International Joint Conference on Artificial Intelligence, pp.973-978, 2001.
• M. Kukar, I. Kononenko, et al., “Cost-sensitive learning with neural networks.,” ECAI, vol.98, pp.445-449, 1998.
• S. Panchapagesan, M. Sun, A. Khare, S. Matsoukas, A. Mandal, B. Hoffmeister, and S. Vitaladevuni, “Multi-task learning and weighted cross-entropy for dnn-based keyword spotting.,” Interspeech, vol.9, pp.760-764, 2016.
• Y.S. Aurelio, G.M. deAlmeida, C.L. deCastro, and A.P. Braga, “Learning from imbalanced data sets with weighted cross-entropy function,” Neural Processing Letters, vol.50, no.2, pp.1937-1949, 2019.
• Y. Ho and S. Wookey, “The real-world-weight cross-entropy loss function: Modeling the costs of mislabeling,” IEEE Access, vol.8, pp.4806-4813, 2019.

タイトルに関連する用語 (6件)： クラス ,  リコール ,  加法 ,  損失 ,  分類器 ,  学習