論文の概要: ASE: Anomaly Scoring Based Ensemble Learning for Imbalanced Datasets

• arxiv url: http://arxiv.org/abs/2203.10769v2
• Date: Tue, 22 Mar 2022 03:55:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 10:47:53.337668
• Title: ASE: Anomaly Scoring Based Ensemble Learning for Imbalanced Datasets
• Title（参考訳）: ase:不均衡データセットのための異常スコアに基づくアンサンブル学習
• Authors: Xiayu Liang, Ying Gao, Shanrong Xu
• Abstract要約: そこで我々は,異常検出スコアリングシステムに基づくバギングアンサンブル学習フレームワークを考案した。 我々のアンサンブル学習モデルは,ベース推定器の性能を劇的に向上させることができる。
• 参考スコア（独自算出の注目度）: 3.214208422566496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, many industries have applied classification algorithms to help them solve problems in their business, like finance, medicine, manufacturing industry and so on. However, in real-life scenarios, positive examples only make up a small part of all instances and our datasets suffer from high imbalance ratio which leads to poor performance of existing classification models. To solve this problem, we come up with a bagging ensemble learning framework based on an anomaly detection scoring system. We test out that our ensemble learning model can dramatically improve performance of base estimators (e.g. Decision Tree, Multilayer perceptron, KNN) and is more efficient than other existing methods under a wide range of imbalance ratio, data scale and data dimension.
• Abstract（参考訳）: 今日では、金融、医療、製造業などビジネス上の問題を解決するために、多くの業界が分類アルゴリズムを適用している。 しかしながら、現実のシナリオでは、ポジティブな例がすべてのインスタンスのごく一部を占めるだけで、データセットは高い不均衡率に苦しめられ、既存の分類モデルのパフォーマンスが低下します。 この問題を解決するために,異常検出スコアリングシステムに基づく,袋詰めアンサンブル学習フレームワークを考案した。 我々のアンサンブル学習モデルは,ベース推定器(例えば,決定木,多層パーセプトロン,KNN)の性能を劇的に向上させ,不均衡比,データスケール,データ次元の幅の広い既存手法よりも効率的であることを確認した。

関連論文リスト

• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• On Improving the Algorithm-, Model-, and Data- Efficiency of Self-Supervised Learning [18.318758111829386]
  非パラメトリックなインスタンス識別に基づく効率的なシングルブランチSSL手法を提案する。 また,確率分布と正方形根版とのKL分散を最小限に抑える新しい自己蒸留損失を提案する。
  論文  参考訳（メタデータ） (2024-04-30T06:39:04Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Machine Learning Based Missing Values Imputation in Categorical Datasets [2.5611256859404983]
  この研究では、分類データセットのギャップを埋めるための機械学習アルゴリズムの使用について検討した。 Error Correction Output Codesフレームワークを使用して構築されたアンサンブルモデルに重点が置かれた。 大量のラベル付きデータの要求を含む、これらの奨励的な結果にもかかわらず、データ計算の欠如に対する深い学習には障害がある。
  論文  参考訳（メタデータ） (2023-06-10T03:29:48Z)
• Parameterized Neural Networks for Finance [0.0]
  我々は、異なるデータサンプルの集合のモデルクラスを学ぶことができるニューラルネットワークアーキテクチャを議論し、分析する。 このアプローチを、資産運用者や銀行が直面している標準的問題の一つ、すなわちスプレッドカーブの校正に適用する。
  論文  参考訳（メタデータ） (2023-04-18T10:18:28Z)
• A review of ensemble learning and data augmentation models for class imbalanced problems: combination, implementation and evaluation [0.196629787330046]
  分類問題におけるクラス不均衡 (CI) は、あるクラスに属する観測回数が他のクラスよりも低い場合に生じる。 本稿では,ベンチマークCI問題に対処するために使用されるデータ拡張とアンサンブル学習手法を評価する。
  論文  参考訳（メタデータ） (2023-04-06T04:37:10Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。