यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र सभी वर्गों के लिए औसत त्रुटि दर के बजाय सबसे खराब वर्ग त्रुटि दर की समस्या पर विचार करता है। उदाहरण के लिए, 10%, 10% और 40% की वर्ग-वार त्रुटि दरों वाले तीन-वर्ग वर्गीकरण कार्य के लिए, औसत त्रुटि दर 20% है, लेकिन सबसे खराब वर्ग त्रुटि दर 40% है। कई अनुप्रयोगों में, सबसे खराब वर्ग त्रुटि दर एक महत्वपूर्ण मीट्रिक है। एक चिकित्सा छवि वर्गीकरण कार्य में, यह अस्वीकार्य है कि सौम्य ट्यूमर वर्ग की त्रुटि दर 40% हो, जबकि सौम्य और स्वस्थ वर्गों की त्रुटि दर 10% हो। डीप न्यूरल नेटवर्क (DNN) का उपयोग करके सबसे खराब वर्ग त्रुटि दर को कम करने में ओवरफिटिंग से बचने के लिए, यह शोधपत्र एक समस्या सूत्रीकरण प्रस्तुत करता है जो सबसे खराब वर्ग त्रुटि दर को शून्य करने के बजाय एक सीमा निर्धारित करता है। इसके अतिरिक्त, हम एक बूस्टिंग तकनीक का प्रस्ताव करते हैं जो DNN को सबसे खराब वर्ग त्रुटि दर की सटीक सीमा तक एकीकृत करती है। हम प्रशिक्षण और सामान्यीकरण के लिए सबसे खराब वर्ग त्रुटि दरों की सीमाएँ प्रस्तुत करते हैं, और प्रायोगिक परिणाम दर्शाते हैं कि प्रस्तावित एल्गोरिथम ओवरफिटिंग से बचते हुए सबसे खराब वर्ग परीक्षण त्रुटि दर को कम करता है। स्रोत कोड https://github.com/saito-yuya/Bounding-the-Worst-class-error-A-Boosting-Approach पर पाया जा सकता है ।
