Early Time Classification with Accumulated Accuracy Gap Control

要約

初期の時間分類アルゴリズムは、入力ストリーム全体を処理せずに特徴のストリームにラベルを付けながら、入力全体に分類器を適用することによって達成される精度と同等の精度を維持することを目的としています。
この論文では、任意の逐次分類器に適用できる統計フレームワークを導入し、調整された停止ルールを定式化します。
このデータ駆動型のルールにより、完全な分類と初期の分類の間の精度ギャップを有限サンプルで分布なしで制御することができます。
私たちは、このギャップを平均して i.i.d. でわずかに制御するための、Learn-then-Test キャリブレーション フレームワークに基づいた新しい方法を提示することから始めます。
インスタンス。
このアルゴリズムは、初期の停止時間に対して過度に高い精度ギャップを生み出す傾向があるため、私たちの主な貢献は、精度ギャップが累積停止時間に応じて条件付きで制御される、より強力な誤差の概念を制御するフレームワークの提案です。
数値実験により、私たちの方法の有効性、適用性、有用性が実証されています。
私たちが提案した早期停止メカニズムは、厳密な精度ギャップ制御を達成しながら、分類に使用されるタイムステップを最大 94% 削減することを示します。

要約(オリジナル)

Early time classification algorithms aim to label a stream of features without processing the full input stream, while maintaining accuracy comparable to that achieved by applying the classifier to the entire input. In this paper, we introduce a statistical framework that can be applied to any sequential classifier, formulating a calibrated stopping rule. This data-driven rule attains finite-sample, distribution-free control of the accuracy gap between full and early-time classification. We start by presenting a novel method that builds on the Learn-then-Test calibration framework to control this gap marginally, on average over i.i.d. instances. As this algorithm tends to yield an excessively high accuracy gap for early halt times, our main contribution is the proposal of a framework that controls a stronger notion of error, where the accuracy gap is controlled conditionally on the accumulated halt times. Numerical experiments demonstrate the effectiveness, applicability, and usefulness of our method. We show that our proposed early stopping mechanism reduces up to 94% of timesteps used for classification while achieving rigorous accuracy gap control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google