論文の概要: Resampling strategies for imbalanced regression: a survey and empirical analysis

• arxiv url: http://arxiv.org/abs/2507.11902v1
• Date: Wed, 16 Jul 2025 04:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.226624
• Title: Resampling strategies for imbalanced regression: a survey and empirical analysis
• Title（参考訳）: 不均衡回帰のための再サンプリング戦略--調査と実証分析
• Authors: Juscimara G. Avelino, George D. C. Cavalcanti, Rafael M. O. Cruz,
• Abstract要約: 不均衡な問題は現実の異なる状況で起こりうるが、これに対処するために、再サンプリングやバランスをとるアルゴリズムの形である戦略が提案されている。 この研究は、様々なバランスと予測モデルからなる実験的な研究であり、ウィッチは、ユーザにとって重要な要素を捉えるためにメトリクスを使用する。 また、回帰モデル、学習プロセス、評価指標の3つの重要な基準に基づいて、不均衡回帰アプローチのための分類法を提案する。
• 参考スコア（独自算出の注目度）: 5.863538874435322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imbalanced problems can arise in different real-world situations, and to address this, certain strategies in the form of resampling or balancing algorithms are proposed. This issue has largely been studied in the context of classification, and yet, the same problem features in regression tasks, where target values are continuous. This work presents an extensive experimental study comprising various balancing and predictive models, and wich uses metrics to capture important elements for the user and to evaluate the predictive model in an imbalanced regression data context. It also proposes a taxonomy for imbalanced regression approaches based on three crucial criteria: regression model, learning process, and evaluation metrics. The study offers new insights into the use of such strategies, highlighting the advantages they bring to each model's learning process, and indicating directions for further studies. The code, data and further information related to the experiments performed herein can be found on GitHub: https://github.com/JusciAvelino/imbalancedRegression.
• Abstract（参考訳）: 不均衡な問題は現実の異なる状況で起こりうるが、これに対処するために、再サンプリングやバランスをとるアルゴリズムの形である戦略が提案されている。 この問題は、主に分類の文脈で研究されてきたが、ターゲット値が連続的な回帰タスクでは、同じ問題が特徴的である。 本研究は,様々なバランスと予測モデルからなる広範な実験研究であり,ウィッチは,ユーザにとって重要な要素を抽出し,不均衡な回帰データコンテキストで予測モデルを評価するために,メトリクスを使用する。 また、回帰モデル、学習プロセス、評価指標の3つの重要な基準に基づいて、不均衡回帰アプローチのための分類法を提案する。 この研究は、これらの戦略の使用に関する新たな洞察を提供し、各モデルの学習プロセスにもたらす利点を強調し、さらなる研究の方向性を示す。 ここで実施した実験に関するコード、データ、さらに詳しい情報は、GitHubにある。

関連論文リスト

• IM-Context: In-Context Learning for Imbalanced Regression Tasks [9.318067144029403]
  本稿では,従来の非重み付き学習手法の代替として,文脈内学習へのパラダイムシフトを提案する。 インコンテキスト学習(In-context learning)とは、インコンテキストサンプルからなるプロンプトシーケンスが与えられたモデル自体を条件にすることができることを指す。 理論的および経験的両視点から,プロンプトシーケンスがモデル性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-05-28T14:10:51Z)
• Statistical Agnostic Regression: a machine learning method to validate regression models [0.0]
  本稿では,機械学習に基づく線形回帰モデルの統計的意義を評価するために,統計的回帰(Agnostic Regression, SAR)を導入する。 我々は、説明的(機能)変数と反応(ラベル)変数の間の集団における線形関係の存在を結論付けるために、少なくとも1-eta$の確率で十分な証拠が存在することを保証するしきい値を定義する。
  論文  参考訳（メタデータ） (2024-02-23T09:19:26Z)
• A Novel Approach in Solving Stochastic Generalized Linear Regression via Nonconvex Programming [1.6874375111244329]
  本稿では,一般化線形回帰モデルについて,確率制約問題として考察する。 提案アルゴリズムの結果は,通常のロジスティック回帰モデルよりも1～2%以上よい結果を得た。
  論文  参考訳（メタデータ） (2024-01-16T16:45:51Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Streaming Active Learning for Regression Problems Using Regression via Classification [12.572218568705376]
  本稿では,回帰学習のためのストリーミング能動学習にレグレッション・ウィズ・クラス化フレームワークを用いることを提案する。 レグレッション・ウィズ・クラス化は回帰問題を分類問題に変換し、ストリーミング能動学習法を回帰問題に直接適用できるようにする。
  論文  参考訳（メタデータ） (2023-09-02T20:24:24Z)
• 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)
• Variation-Incentive Loss Re-weighting for Regression Analysis on Biased Data [8.115323786541078]
  モデルトレーニング中のデータ歪/バイアスに対処することで回帰分析の精度を向上させることを目的としている。 回帰分析のための勾配降下モデルトレーニングを最適化するために,変分集中損失再重み付け法(VILoss)を提案する。
  論文  参考訳（メタデータ） (2021-09-14T10:22:21Z)
• Contemporary Symbolic Regression Methods and their Relative Performance [5.285811942108162]
  本研究では,252種類の回帰問題に対して,14のシンボル回帰法と7つの機械学習法を評価する。 実世界のデータセットでは、各手法が低いエラーと低い複雑さでモデルを学習する能力をベンチマークする。 合成問題に対して,様々なレベルのノイズが存在する場合に,各手法の正確な解を求める能力を評価する。
  論文  参考訳（メタデータ） (2021-07-29T22:12:59Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)
• 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)

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。