Least Ambiguous Set-Valued Classifiers With Bounded Error Levels
误差水平受限下歧义最小的集合值分类器AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用多类别集合预测，未涉及经济离散选择行为或所列其他细分方向，不能因类别标签而归类。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
误差水平受限下歧义最小的集合值分类器
- 研究问题
- 对于难以确定单一标签的观测，如何输出候选标签集合，在满足用户指定覆盖或置信水平的同时尽量缩小集合大小？
- 方法与思路
- 作者先在分布已知时利用类别条件概率函数的水平集构造理想分类器，再基于现有单标签分类器发展可估计程序。
- 材料陈述的贡献
- 摘要称，所提估计方法具有渐近与有限样本性质；针对最优分类器可能输出空集的问题，作者另给出两种处理方案。
- 阅读关注点
- 应核对覆盖约束作用于何种概率、最小化平均集合大小的条件，以及估计误差和空集修正对覆盖与歧义的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断刊本变化。摘要未说明覆盖约束细节或有限样本保证，不能推定逐观测覆盖。
原文摘要
In most classification tasks, there are observations that are ambiguous and therefore difficult to correctly label. Set-valued classifiers output sets of plausible labels rather than a single label, thereby giving a more appropriate and informative treatment to the labeling of ambiguous instances. We introduce a framework for multiclass set-valued classification, where the classifiers guarantee user-defined levels of coverage or confidence (the probability that the true label is contained in the set) while minimizing the ambiguity (the expected size of the output). We first derive oracle classifiers assuming the true distribution to be known. We show that the oracle classifiers are obtained from level sets of the functions that define the conditional probability of each class. Then we develop estimators with good asymptotic and finite sample properties. The proposed estimators build on existing single-label classifiers. The optimal classifier can sometimes output the empty set, but we provide two solutions to fix this issue that are suitable for various practical needs. Supplementary materials for this article are available online.