文献

J-GLOBAL ID：202302224778411208   整理番号：23A3109131

精度劣化を伴わない特定クラスの再現率改善のための分類器学習

CAMRI Loss: Improving the Recall of Prescribed Classes without Sacrificing Accuracy

著者 (8件)： 西山大輝 (筑波大) ,  西山大輝 (理研 革新知能統合研究セ) ,  福地一斗 (筑波大) ,  福地一斗 (理研 革新知能統合研究セ) ,  秋本洋平 (筑波大) ,  秋本洋平 (理研 革新知能統合研究セ) ,  佐久間淳 (筑波大) ,  佐久間淳 (理研 革新知能統合研究セ)
資料名： 人工知能学会全国大会論文集(Web)  (Proceedings of the Annual Conference of JSAI (Web))
巻： 37th  ページ： ROMBUNNO.3D1-GS-2-03(J-STAGE)  発行年： 2023年 
JST資料番号： U1701A  ISSN： 2758-7347  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,重要なクラス(一時停止標識など)の誤分類は,他のクラス(駐車禁止など)よりも著しく有害となりうる。そのためモデル全体の精度を維持しつつ,重要なクラスの再現率を向上させることが極めて重要である。交差エントロピー損失に対してクラスごとのペナルティを与える既存手法では,分離性を向上させることはできない。また全クラス間の分離性を改善する手法は,重要なクラスを考慮しないため我々の目的には適さない。そこで我々は特徴空間に対して重要クラスに関して明示的に損失を与える損失関数,クラス考慮型加法的角度マージン(CAMRI)損失を提案する.CAMRIは特徴空間上の重要クラスの特徴と対応する重みベクトルとの角度にペナルティを加えることにより,重要クラスの特徴の分散を小さくすることが期待される。また重要クラスのみにペナルティを集中させることで,他クラスの分離性を犠牲にしない。複数のデータセットに対する実験から,重要クラスの分離性を他クラスより改善するCAMRIが,精度を犠牲にせず特定クラスの再現率を向上させることができることが示され,最大で再現率を9%改善することができた。(著者抄録)

シソーラス用語： *比率 ,  *改良 ,  *コンピュータ ,  モデル ,  エントロピー ,  情報理論 ,  ペナルティ ,  可能性 ,  分離 ,  空間 ,  損失関数 ,  クロスエントロピー
準シソーラス用語： *改善 ,  交差エントロピー ,  *再現率 ,  特徴空間 ,  分離性 ,  分類モデル ,  *分類機

分類 (2件)： 人工知能  (JE08000Z) ,  索引言語  (AC05030W)

タイトルに関連する用語 (4件)： クラス ,  再現率 ,  分類器 ,  学習