論文の概要: Adaptive Cluster-Based Synthetic Minority Oversampling Technique for Traffic Mode Choice Prediction with Imbalanced Dataset

• arxiv url: http://arxiv.org/abs/2504.09486v1
• Date: Sun, 13 Apr 2025 08:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:50:34.153826
• Title: Adaptive Cluster-Based Synthetic Minority Oversampling Technique for Traffic Mode Choice Prediction with Imbalanced Dataset
• Title（参考訳）: 不均衡データセットを用いた交通モード選択予測のための適応的クラスタベース合成マイノリティオーバーサンプリング手法
• Authors: Guang An Ooi, Shehab Ahmed,
• Abstract要約: 密度に基づく空間クラスタリングは少数クラスに適用され、サブグループを特定する。 各サブグループのクラスは、それぞれのローカルクラスタのデータポイントと最大の多数派との比率に応じてオーバーサンプリングされる。 ランダムフォレストや極度の勾配向上といった機械学習モデルと組み合わせて使用すると、このオーバーサンプリング法はマイノリティクラスのF1スコアを著しく高める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Urban datasets such as citizen transportation modes often contain disproportionately distributed classes, posing significant challenges to the classification of under-represented samples using data-driven models. In the literature, various resampling methods have been developed to create synthetic data for minority classes (oversampling) or remove samples from majority classes (undersampling) to alleviate class imbalance. However, oversampling approaches tend to overgeneralize minor classes that are closely clustered and neglect sparse regions which may contain crucial information. Conversely, undersampling methods potentially remove useful information on certain subgroups. Hence, a resampling approach that takes the inherent distribution of data into consideration is required to ensure appropriate synthetic data creation. This study proposes an adaptive cluster-based synthetic minority oversampling technique. Density-based spatial clustering is applied on minority classes to identify subgroups based on their input features. The classes in each of these subgroups are then oversampled according to the ratio of data points of their local cluster to the largest majority class. When used in conjunction with machine learning models such as random forest and extreme gradient boosting, this oversampling method results in significantly higher F1 scores for the minority classes compared to other resampling techniques. These improved models provide accurate classification of transportation modes.
• Abstract（参考訳）: 市民交通モードのような都市データセットは、しばしば不均等に分散したクラスを含んでおり、データ駆動モデルを用いて表現されていないサンプルを分類する上で重要な課題となっている。 文献では、マイノリティクラス(オーバーサンプリング)の合成データを作成するために様々な再サンプリング法が開発され、多数派クラス(アンダーサンプリング)からサンプルを取り除き、クラス不均衡を緩和している。 しかし、オーバーサンプリングアプローチは、密集し重要な情報を含むスパース領域を無視するマイナークラスを過度に一般化する傾向がある。 逆に、アンダーサンプル法は特定の部分群の有用な情報を除去する可能性がある。 したがって、適切な合成データ生成を保証するために、データの固有分布を考慮した再サンプリングアプローチが必要である。 本研究では,適応型クラスタベース合成マイノリティオーバーサンプリング手法を提案する。 密度に基づく空間クラスタリングは少数クラスに適用され、入力特徴に基づいてサブグループを識別する。 各サブグループのクラスは、それぞれのローカルクラスタのデータポイントと最大の多数派との比率に応じてオーバーサンプリングされる。 ランダムフォレストや極度の勾配向上といった機械学習モデルと組み合わせて使用すると、このオーバーサンプリング手法は他の再サンプリング手法と比較して、マイノリティクラスのF1スコアが著しく高い結果となる。 これらの改良されたモデルは、輸送モードの正確な分類を提供する。

関連論文リスト

• 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)
• Generative Oversampling for Imbalanced Data via Majority-Guided VAE [15.93867386081279]
  本稿では,多数派の指導のもと,新たなマイノリティサンプルを生成する,Majority-Guided VAE(MGVAE)と呼ばれる新しいオーバーサンプリングモデルを提案する。 このようにして、新しく生成されたマイノリティサンプルは、大多数のサンプルの多様性と豊かさを継承することができ、下流タスクにおける過度な適合を軽減できる。
  論文  参考訳（メタデータ） (2023-02-14T06:35:23Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• 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)
• Imbalanced Classification via a Tabular Translation GAN [4.864819846886142]
  本稿では,多数のサンプルを対応する合成マイノリティ標本にマッピングするために,新たな正規化損失を用いたジェネレーティブ・アドバイサル・ネットワークに基づくモデルを提案する。 提案手法は, 再加重法やオーバーサンプリング法と比較して, 平均精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-04-19T06:02:53Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Does Adversarial Oversampling Help us? [10.210871872870737]
  本稿では,データセットのクラス不均衡を処理するために,3人のプレイヤーによるゲームベースのエンドツーエンド手法を提案する。 本稿では,敵対的マイノリティ・オーバーサンプリングではなく,敵対的オーバーサンプリング (AO) とデータ空間・オーバーサンプリング (DO) のアプローチを提案する。 提案手法の有効性を高次元・高不均衡・大規模マルチクラスデータセットを用いて検証した。
  論文  参考訳（メタデータ） (2021-08-20T05:43:17Z)
• A Novel Adaptive Minority Oversampling Technique for Improved Classification in Data Imbalanced Scenarios [23.257891827728827]
  異なるクラスに属するトレーニングサンプルの割合の不均衡は、しばしば従来の分類器の性能低下を引き起こす。 不均衡なデータに対処する新しい3ステップ手法を提案する。
  論文  参考訳（メタデータ） (2021-03-24T09:58:02Z)
• 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)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。