論文の概要: GAT-RWOS: Graph Attention-Guided Random Walk Oversampling for Imbalanced Data Classification

• arxiv url: http://arxiv.org/abs/2412.16394v1
• Date: Fri, 20 Dec 2024 23:03:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:00:47.930658
• Title: GAT-RWOS: Graph Attention-Guided Random Walk Oversampling for Imbalanced Data Classification
• Title（参考訳）: GAT-RWOS:不均衡データ分類のためのグラフ注意誘導ランダムウォークオーバーサンプリング
• Authors: Zahiriddin Rustamov, Abderrahmane Lakas, Nazar Zaki,
• Abstract要約: クラス不均衡は機械学習(ML)に重大な課題をもたらす 本稿では,グラフ・アテンション・ネットワーク(GAT)の強みとランダム・ウォーク・ベース・オーバーサンプリングを組み合わせたグラフ・ベース・オーバーサンプリング手法であるGAT-RWOSを提案する。
• 参考スコア（独自算出の注目度）: 3.068439042362722
• License:
• Abstract: Class imbalance poses a significant challenge in machine learning (ML), often leading to biased models favouring the majority class. In this paper, we propose GAT-RWOS, a novel graph-based oversampling method that combines the strengths of Graph Attention Networks (GATs) and random walk-based oversampling. GAT-RWOS leverages the attention mechanism of GATs to guide the random walk process, focusing on the most informative neighbourhoods for each minority node. By performing attention-guided random walks and interpolating features along the traversed paths, GAT-RWOS generates synthetic minority samples that expand class boundaries while preserving the original data distribution. Extensive experiments on a diverse set of imbalanced datasets demonstrate the effectiveness of GAT-RWOS in improving classification performance, outperforming state-of-the-art oversampling techniques. The proposed method has the potential to significantly improve the performance of ML models on imbalanced datasets and contribute to the development of more reliable classification systems.
• Abstract（参考訳）: クラス不均衡は機械学習(ML)において重大な課題となり、多くの場合、大多数のクラスを好む偏見のあるモデルに繋がる。 本稿では,グラフアテンションネットワーク(GAT)とランダムウォークベースのオーバサンプリングを組み合わせた,グラフベースのオーバサンプリング手法であるGAT-RWOSを提案する。 GAT-RWOSは、GATの注意機構を利用してランダムウォーキングプロセスをガイドし、各少数ノードの最も情報に富む領域に焦点を当てる。 GAT-RWOSは、注意誘導されたランダムウォークと、横断する経路に沿った補間機能を実行することにより、元のデータ分布を維持しながらクラス境界を広げる合成マイノリティサンプルを生成する。 多様な不均衡データセットに対する大規模な実験は、GAT-RWOSが分類性能を改善し、最先端のオーバーサンプリング技術より優れていることを示す。 提案手法は、不均衡なデータセット上でのMLモデルの性能を大幅に改善し、より信頼性の高い分類システムの開発に寄与する可能性がある。

関連論文リスト

• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural Network for Class Imbalance Learning [4.069144210024564]
  クラス不均衡学習(GE-IFRVFL-CIL)モデルのためのグラフ埋め込み直観的ファジィRVFLを提案する。 提案したGE-IFRVFL-CILモデルは、クラス不均衡問題に対処し、ノイズとアウトレーヤの有害な効果を軽減し、データセットの固有の幾何学的構造を保存するための有望な解決策を提供する。
  論文  参考訳（メタデータ） (2023-07-15T20:45:45Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• 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)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• IB-GAN: A Unified Approach for Multivariate Time Series Classification under Class Imbalance [1.854931308524932]
  GAN(Generative Adversarial Networks)による非パラメトリックデータ拡張は、有望なソリューションを提供する。 本稿では,データ拡張と分類を1段階のプロセスで結合する新しい手法であるImputation Balanced GAN(IB-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:31:16Z)
• SMOTified-GAN for class imbalanced pattern classification problems [0.41998444721319217]
  本稿では,SMOTEとGANの相乗効果を持つ2相オーバーサンプリング手法を提案する。 実験の結果,様々なベンチマークデータセットにおいて,マイノリティクラス(es)のサンプル品質が向上していることが証明された。
  論文  参考訳（メタデータ） (2021-08-06T06:14:05Z)
• Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
  本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。 我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。 複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
  論文  参考訳（メタデータ） (2021-06-17T11:41:30Z)
• GMOTE: Gaussian based minority oversampling technique for imbalanced classification adapting tail probability of outliers [0.0]
  データレベルのアプローチは、主にオーバーサンプリングメソッドを使用して問題を解決します。例えば、合成マイノリティオーバーサンプリング技術(SMOTE)です。 本稿では,不均衡データセットに対する統計的観点からガウス型マイノリティオーバーサンプリング手法(gmote)を提案する。 GMOTEが分類および回帰木(CART)またはサポートベクター機械(SVM)と結合されるとき、それはよりよい正確さおよびF1スコアを示します。
  論文  参考訳（メタデータ） (2021-05-09T07:04:37Z)
• Delving Deep into Label Smoothing [112.24527926373084]
  ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化 対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
  論文  参考訳（メタデータ） (2020-11-25T08:03:11Z)
• Conditional Wasserstein GAN-based Oversampling of Tabular Data for Imbalanced Learning [10.051309746913512]
  本稿では,条件付きWasserstein GANに基づくオーバーサンプリング手法を提案する。 実世界の7つのデータセット上で,標準的なオーバーサンプリング手法と不均衡なベースラインに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-08-20T20:33:56Z)

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。