論文の概要: A Bilevel Optimization Framework for Imbalanced Data Classification

• arxiv url: http://arxiv.org/abs/2410.11171v1
• Date: Tue, 15 Oct 2024 01:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:03:24.708580
• Title: A Bilevel Optimization Framework for Imbalanced Data Classification
• Title（参考訳）: 不均衡データ分類のための二段階最適化フレームワーク
• Authors: Karen Medlin, Sven Leyffer, Krishnan Raghavan,
• Abstract要約: 合成データによるノイズや重なりの落とし穴を回避する新しいアンダーサンプリング手法を提案する。 多数データをランダムにアンサンプするのではなく、モデル損失を改善する能力に基づいてデータポイントをアンアンサンプする。 本手法は,モデル損失の改善を指標として,データポイントが損失に与える影響を評価し,それを改善することができない者を拒絶する。
• 参考スコア（独自算出の注目度）: 1.6385815610837167
• License:
• Abstract: Data rebalancing techniques, including oversampling and undersampling, are a common approach to addressing the challenges of imbalanced data. To tackle unresolved problems related to both oversampling and undersampling, we propose a new undersampling approach that: (i) avoids the pitfalls of noise and overlap caused by synthetic data and (ii) avoids the pitfall of under-fitting caused by random undersampling. Instead of undersampling majority data randomly, our method undersamples datapoints based on their ability to improve model loss. Using improved model loss as a proxy measurement for classification performance, our technique assesses a datapoint's impact on loss and rejects those unable to improve it. In so doing, our approach rejects majority datapoints redundant to datapoints already accepted and, thereby, finds an optimal subset of majority training data for classification. The accept/reject component of our algorithm is motivated by a bilevel optimization problem uniquely formulated to identify the optimal training set we seek. Experimental results show our proposed technique with F1 scores up to 10% higher than state-of-the-art methods.
• Abstract（参考訳）: オーバーサンプリングやアンダーサンプリングといったデータリバランス技術は、不均衡なデータの課題に対処するための一般的なアプローチである。 オーバーサンプリングとアンダーサンプリングの両方に関連する未解決問題に対処するために、我々は以下の新しいアンダーサンプリングアプローチを提案する。 一 合成データによる騒音及び重複の落とし穴を避けること。 (二)ランダムアンダーサンプリングによる不適合の落とし穴を避ける。 多数データをランダムにアンサンプするのではなく、モデル損失を改善する能力に基づいてデータポイントをアンアンサンプする。 本手法は,モデル損失の改善を指標として,データポイントが損失に与える影響を評価し,それを改善することができない者を拒絶する。 そこで本手法では,すでに受理されているデータポイントに冗長な多数データポイントを除外し,分類のための多数トレーニングデータの最適なサブセットを見つける。 アルゴリズムのアクセプション/リジェクト成分は、求める最適なトレーニングセットを特定するために一意に定式化された双レベル最適化問題によって動機付けられている。 実験結果から,提案手法のF1スコアは最先端手法よりも10%高いことがわかった。

関連論文リスト

• Reward-Augmented Data Enhances Direct Preference Alignment of LLMs [63.32585910975191]
  報奨条件付き大言語モデル(LLM)を導入し、データセット内の応答品質のスペクトル全体から学習する。 そこで本稿では,品質スコアに優先ペアを条件付け,報酬を加算したデータセットを構築する,効果的なデータレバーベリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:01:51Z)
• 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)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Denoising after Entropy-based Debiasing A Robust Training Method for Dataset Bias with Noisy Labels [12.335698325757491]
  エントロピーに基づくデバイアス(debiasing),すなわちDNEB(denoising)と呼ばれる3つの主要なステージを持つアプローチを提案する。 復調前の復調アルゴリズムの実行は、復調アルゴリズムが難読化サンプルの影響を減少させるため、効果がないことが判明した。
  論文  参考訳（メタデータ） (2022-12-01T04:34:59Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• A Novel Hybrid Sampling Framework for Imbalanced Learning [0.0]
  SMOTE-RUS-NC」は他の最先端サンプリング技術と比較されている。 26個の不均衡なデータセットで厳密な実験が行われた。
  論文  参考訳（メタデータ） (2022-08-20T07:04:00Z)
• A Hybrid Approach for Binary Classification of Imbalanced Data [0.0]
  本稿では,データブロック構築,次元減少,アンサンブル学習を併用したハイブリットアプローチHADRを提案する。 我々は、8つの不均衡な公開データセットの性能をリコール、G平均、AUCで評価した。
  論文  参考訳（メタデータ） (2022-07-06T15:18:41Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• A Method for Handling Multi-class Imbalanced Data by Geometry based Information Sampling and Class Prioritized Synthetic Data Generation (GICaPS) [15.433936272310952]
  本稿では,多ラベル分類問題における不均衡データ処理の問題について考察する。 特徴ベクトル間の幾何学的関係を利用する2つの新しい手法が提案されている。 提案手法の有効性は,汎用的なマルチクラス認識問題を解くことによって解析する。
  論文  参考訳（メタデータ） (2020-10-11T04:04:26Z)
• Weakly Supervised-Based Oversampling for High Imbalance and High Dimensionality Data Classification [2.9283685972609494]
  オーバーサンプリングは、不均衡な分類を解決する効果的な方法である。 合成サンプルの不正確なラベルは、データセットの分布を歪ませる。 本稿では,合成試料の不正確なラベル付けを扱うために,弱教師付き学習を導入する。
  論文  参考訳（メタデータ） (2020-09-29T15:26:34Z)
• Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
  判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。 線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T05:09:08Z)

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。