基于现成人工神经网络的帕累托最优精度-代价权衡级联分类器
机器学习
2022-03-10 v1
摘要
机器学习分类器在分类任务中提供高质量的服务。当前研究以降低平均处理时间或每个解的能量度量的代价为目标。重新审视级联分类器的概念，我们首次对分类器阶段之间的最优传递准则进行了分析。基于该分析，我们推导出一种最大化级联分类器精度与效率的方法。一方面，我们的方法在保持参考分类器精度的同时可实现1.32倍的代价降低。另一方面，它允许代价在两个数量级上扩展，同时精度优雅退化。由此，最终分类器阶段设定了最高精度。因此，该多阶段实现可用于优化任意最先进（state-of-the-art）分类器。
引用
@article{arxiv.2110.14256,
title = {Cascaded Classifier for Pareto-Optimal Accuracy-Cost Trade-Off Using off-the-Shelf ANNs},
author = {Cecilia Latotzke and Johnson Loh and Tobias Gemmeke},
journal= {arXiv preprint arXiv:2110.14256},
year = {2022}
}
备注
The final accepted publication was presented on the 7th International Conference on Machine Learning, Optimization, Data Science (LOD), October 4 - 8, 2021 in Grasmere, Lake District, England