General framework for binary classification on top samples

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00551866" target="_blank" >RIV/67985556:_____/22:00551866 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21230/22:00354903 RIV/68407700:21340/22:00354903

Výsledek na webu

<a href="https://www.tandfonline.com/doi/full/10.1080/10556788.2021.1965601" target="_blank" >https://www.tandfonline.com/doi/full/10.1080/10556788.2021.1965601</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1080/10556788.2021.1965601" target="_blank" >10.1080/10556788.2021.1965601</a>

Jazyk výsledku

angličtina

Název v původním jazyce

General framework for binary classification on top samples

Popis výsledku v původním jazyce

Many binary classification problems minimize misclassification above (or below) a threshold. We show that instances of ranking problems, accuracy at the top, or hypothesis testing may be written in this form. We propose a general framework to handle these classes of problems and show which formulations (both known and newly proposed) fall into this framework. We provide a theoretical analysis of this framework and mention selected possible pitfalls the formulations may encounter. We show the convergence of the stochastic gradient descent for selected formulations even though the gradient estimate is inherently biased. We suggest several numerical improvements, including the implicit derivative and stochastic gradient descent. We provide an extensive numerical study.

Název v anglickém jazyce

General framework for binary classification on top samples

Popis výsledku anglicky

Many binary classification problems minimize misclassification above (or below) a threshold. We show that instances of ranking problems, accuracy at the top, or hypothesis testing may be written in this form. We propose a general framework to handle these classes of problems and show which formulations (both known and newly proposed) fall into this framework. We provide a theoretical analysis of this framework and mention selected possible pitfalls the formulations may encounter. We show the convergence of the stochastic gradient descent for selected formulations even though the gradient estimate is inherently biased. We suggest several numerical improvements, including the implicit derivative and stochastic gradient descent. We provide an extensive numerical study.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Optimization Methods & Software

ISSN

1055-6788

e-ISSN

1029-4937

Svazek periodika

37

Číslo periodika v rámci svazku

5

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

32

Strana od-do

1636-1667

Kód UT WoS článku

000728657100001

EID výsledku v databázi Scopus

2-s2.0-85121331364