論文の概要: BalanceBenchmark: A Survey for Imbalanced Learning

• arxiv url: http://arxiv.org/abs/2502.10816v2
• Date: Tue, 18 Feb 2025 04:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 10:42:29.712546
• Title: BalanceBenchmark: A Survey for Imbalanced Learning
• Title（参考訳）: BalanceBenchmark: 不均衡学習に関する調査
• Authors: Shaoxuan Xu, Menglu Cui, Chengxiang Huang, Hongfa Wang, DiHu,
• Abstract要約: マルチモーダル学習は、異なるモーダルからの情報を統合する能力に注目されている。 これは、あるモダリティが支配的であり、他のモダリティが未利用のままであるマルチモーダル不均衡問題によってしばしば妨げられる。 我々は,主要な多モード不均衡アルゴリズムを,不均衡を緩和するための戦略に基づいて4つのグループに体系的に分類する。
• 参考スコア（独自算出の注目度）: 9.858467766666223
• License:
• Abstract: Multimodal learning has gained attention for its capacity to integrate information from different modalities. However, it is often hindered by the multimodal imbalance problem, where certain modality dominates while others remain underutilized. Although recent studies have proposed various methods to alleviate this problem, they lack comprehensive and fair comparisons. In this paper, we systematically categorize various mainstream multimodal imbalance algorithms into four groups based on the strategies they employ to mitigate imbalance. To facilitate a comprehensive evaluation of these methods, we introduce BalanceBenchmark, a benchmark including multiple widely used multidimensional datasets and evaluation metrics from three perspectives: performance, imbalance degree, and complexity. To ensure fair comparisons, we have developed a modular and extensible toolkit that standardizes the experimental workflow across different methods. Based on the experiments using BalanceBenchmark, we have identified several key insights into the characteristics and advantages of different method groups in terms of performance, balance degree and computational complexity. We expect such analysis could inspire more efficient approaches to address the imbalance problem in the future, as well as foundation models. The code of the toolkit is available at https://github.com/GeWu-Lab/BalanceBenchmark.
• Abstract（参考訳）: マルチモーダル学習は、異なるモーダルからの情報を統合する能力に注目されている。 しかし、あるモダリティが支配的であり、他のモダリティが未利用のままであるマルチモーダル不均衡問題によってしばしば妨げられる。 近年の研究ではこの問題を緩和する様々な方法が提案されているが、包括的で公正な比較は欠如している。 本稿では,本アルゴリズムを4つのグループに分類し,各グループ間の不均衡を緩和する手法を提案する。 これらの手法の総合的な評価を容易にするため,複数の多次元データセットと評価指標を含むベンチマークである BalanceBenchmark を導入し,性能,不均衡度,複雑性の3点を考察した。 公平な比較を確保するため、我々は様々な手法で実験ワークフローを標準化するモジュラーで拡張可能なツールキットを開発した。 BalanceBenchmarkを用いた実験から、性能、バランス度、計算複雑性の観点から異なる手法群の特徴と利点について、いくつかの重要な洞察を得た。 このような分析によって、将来の不均衡問題や基礎モデルに対処するより効率的なアプローチがもたらされることを期待する。 ツールキットのコードはhttps://github.com/GeWu-Lab/BalanceBenchmarkで公開されている。

関連論文リスト

• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Navigation [76.67608003501479]
  主評価指標の基礎に基づいて計算された領域関連メトリクスの範囲を定義する評価プロトコルを導入・指定する。 このような比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含むものである。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• Balanced Audiovisual Dataset for Imbalance Analysis [31.510912639133014]
  不均衡問題は機械学習の分野で広く知られており、マルチモーダル学習領域にも存在している。 最近の研究はアルゴリズムの観点からモダリティの不均衡問題を解こうとしているが、データセットにおけるモダリティバイアスの影響を完全には分析していない。
  論文  参考訳（メタデータ） (2023-02-14T15:35:17Z)
• Revisiting Long-tailed Image Classification: Survey and Benchmarks with New Evaluation Metrics [88.39382177059747]
  メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。 ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
  論文  参考訳（メタデータ） (2023-02-03T02:40:54Z)
• ASE: Anomaly Scoring Based Ensemble Learning for Imbalanced Datasets [3.214208422566496]
  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。
  論文  参考訳（メタデータ） (2022-03-21T07:20:41Z)
• 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)
• Towards Inter-class and Intra-class Imbalance in Class-imbalanced Learning [24.01370257373491]
  不均衡学習(IL)は、データマイニングアプリケーションに広く存在する重要な問題である。 本稿では,多目的アンサンブル学習フレームワークである Duple-Balanced Ensemble について述べる。 一般的な手法とは異なり、DUBEは、重い距離ベースの計算に頼ることなく、クラス間およびクラス内バランスを直接実行する。
  論文  参考訳（メタデータ） (2021-11-24T20:50:54Z)
• Few-Shot Learning with Class Imbalance [13.60699610822265]
  少数ショット学習は、クエリセットから取得したサンプルを一般化するために、サポートセットに与えられた限られた数のラベル付きサンプルでモデルをトレーニングすることを目的としている。 標準設定では、サポートセットは各クラスに対して等しい量のデータポイントを含んでいる。 本稿では,メタデータセット対タスク不均衡,異なる不均衡分布の効果(線形,ステップ,ランダム),再バランス手法の効果の3つの軸に沿ったクラス不均衡について詳細に検討する。
  論文  参考訳（メタデータ） (2021-01-07T12:54:32Z)
• Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
  観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。 近年の文献では、この目標を達成するために表現学習を探求している。 因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-23T19:06:03Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• 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。