.png){kind=icon}
返回
Kernel density estimation for multiclass quantification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-024-06726-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多个学科，如社会科学、流行病学、情感分析或市场研究，关注的是了解一个群体中各类别的分布情况，而非其中个体的具体标签。量化是监督式机器学习任务，旨在获得类别流行度的准确预测器，尤其是在存在标签漂移的情况下。分布匹配（DM）方法代表了迄今文献中已提出的量化方法中最重要的方法家族之一。当前的DM方法使用后验概率直方图来建模所涉及的群体。在本文中，我们认为将直方图应用于多类别设置的效果欠佳，因为直方图会变得类别特定，从而错失了建模数据中可能存在的类别间信息的机会。我们提出了一种基于多元密度的全新表示机制，该机制通过核密度估计（KDE）进行建模。我们所进行的实验表明，我们提出的方法（命名为KDEy）相较于之前的DM方法和其他当前最先进的量化系统，能够实现更优越的量化性能。
Keyword:
Multiclass quantification
Class prevalence estimation
Mixture model
Kernel density estimation
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
QuantificationLib: A Python library for quantification and prevalence estimationQuantificationLib：一个用于定量分析和患病率估计的Python库.png)
SoftwareX
OAAI
SoftwareXIF0
OAAI分享收藏Semi-supervised learning of class balance under class-prior change by distribution matchingNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Computationally Efficient Class-Prior Estimation under Class Balance Change Using Energy DistanceOAAI
OAAI分享收藏
分享收藏
查看更多内容