arXiv stat.ML· Samuel Gruffaz, Muhammad Fawad, Jaakko Nevalainen·· 4 小时前AI 评分18
极端二分类：面向假阴性率极端约束的极值理论方法
Extreme Binary Classification: Extreme Value Theory for Extreme Constraint on False Negative
AI 导读
研究者提出"极端二分类"问题，要求分类器的假阴性率 α 受限于 ε_{N₁}=o(1/N₁)，其中 N₁ 为训练集正样本数。为此提出基于极值理论保证的阈值自适应方法，以及基于置换检验的样本极大值特征选择流程。在四个不同规模的真实数据集上，该方法与 SOTA 方法相比表现更优，并在癌症筛查数据集上展示了可解释性。
来源：arXiv stat.ML · arxiv.org