SCRIB：面向黑盒模型的具类特定风险界的集合分类器
机器学习
2021-03-09 v1 机器学习
摘要
尽管深度学习（DL）在分类问题中取得成功，DL 分类器并未提供何时拒判的合理机制。近期研究尝试通过带拒绝选项的分类控制总体预测风险。然而，现有工作忽视了不同类的不同重要性。我们引入具类特定风险界（Class-specific RIsk Bounds）的集合分类器（SCRIB）以解决此问题，为每个样本分配多个标签。给定黑盒模型在验证集上的输出，SCRIB 构造一个集合分类器，以理论保证控制类特定预测风险。其关键思想是当集合分类器返回多于一个标签时拒判。我们在若干医学应用上验证了 SCRIB，包括基于脑电图（EEG）数据的睡眠分期、X 射线 COVID 图像分类，以及基于心电图（ECG）数据的房颤检测。SCRIB 取得了理想的类特定风险，较基线方法接近目标风险的程度高出 35%–88%。
引用
@article{arxiv.2103.03945,
title = {SCRIB: Set-classifier with Class-specific Risk Bounds for Blackbox Models},
author = {Zhen Lin and Cao Xiao and Lucas Glass and M. Brandon Westover and Jimeng Sun},
journal= {arXiv preprint arXiv:2103.03945},
year = {2021}
}