論文の概要: TOC-UCO: a comprehensive repository of tabular ordinal classification datasets

• arxiv url: http://arxiv.org/abs/2507.17348v1
• Date: Wed, 23 Jul 2025 09:28:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.939046
• Title: TOC-UCO: a comprehensive repository of tabular ordinal classification datasets
• Title（参考訳）: TOC-UCO : 表順序分類データセットの総合リポジトリ
• Authors: Rafael Ayllón-Gavilán, David Guijo-Rubio, Antonio Manuel Gómez-Orellana, David Guijo-Rubio, Francisco Bérchez-Moreno, Víctor Manuel Vargas-Yun, Pedro A. Gutiérrez,
• Abstract要約: 順序分類(英: Ordinal classification, OC)は、クラス間の自然順序関係の存在によって特徴づけられる特殊タイプの分類である。 この原稿は、新しいOCアプローチの堅牢な検証のために、データセットの公開リポジトリを提供する。
• 参考スコア（独自算出の注目度）: 2.261581864118072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An ordinal classification (OC) problem corresponds to a special type of classification characterised by the presence of a natural order relationship among the classes. This type of problem can be found in a number of real-world applications, motivating the design and development of many ordinal methodologies over the last years. However, it is important to highlight that the development of the OC field suffers from one main disadvantage: the lack of a comprehensive set of datasets on which novel approaches to the literature have to be benchmarked. In order to approach this objective, this manuscript from the University of C\'ordoba (UCO), which have previous experience on the OC field, provides the literature with a publicly available repository of tabular data for a robust validation of novel OC approaches, namely TOC-UCO (Tabular Ordinal Classification repository of the UCO). Specifically, this repository includes a set of $46$ tabular ordinal datasets, preprocessed under a common framework and ensured to have a reasonable number of patterns and an appropriate class distribution. We also provide the sources and preprocessing steps of each dataset, along with details on how to benchmark a novel approach using the TOC-UCO repository. For this, indices for $30$ different randomised train-test partitions are provided to facilitate the reproducibility of the experiments.
• Abstract（参考訳）: 順序分類(英: Ordinal classification, OC)は、クラス間の自然順序関係の存在によって特徴づけられる特殊タイプの分類である。 この種の問題は、過去数年間に多くの順序的方法論の設計と開発を動機づけた、多くの現実世界のアプリケーションで見られる。 しかし、OCフィールドの開発には1つの大きな欠点があることを強調しておくことが重要である。 この目的を達成するために、以前のOC分野の経験を持つC'ordoba大学(UCO)のこの原稿は、新しいOCアプローチ、すなわちTOC-UCO (Tabular Ordinal Classification repository of the UCO)の堅牢な検証のための表形式のデータの公開リポジトリを提供する。 具体的には、このレポジトリには、共通のフレームワークの下で前処理され、適切なパターンの数と適切なクラス分布を持つことを保証する、46ドルのタブ形式の順序付きデータセットが含まれている。 また、TOC-UCOレポジトリを使用して新しいアプローチをベンチマークする方法の詳細とともに、データセットのソースと前処理ステップも提供します。 このために、実験の再現性を促進するために、30ドルの異なるランダム化トレインテストパーティションのインデックスが提供される。

関連論文リスト

• Generalized Category Discovery under the Long-Tailed Distribution [19.597592179538257]
  本稿では,長期分布下での一般カテゴリー発見(GCD)の問題に対処する。 これらの課題に対処するために,自信あるサンプル選択と密度に基づくクラスタリングに基づくフレームワークを提案する。 本手法の有効性を実証するために, 長い尾を持つGCDデータセットと従来のGCDデータセットの比較実験を行った。
  論文  参考訳（メタデータ） (2025-06-14T14:06:40Z)
• Selective Classification Under Distribution Shifts [2.6541808384534478]
  選別分類において、分類器は過度なエラーを避けるために誤りとなる可能性のある予測を棄却する。 本稿では,分散シフトを考慮したSCフレームワークを提案する。 提案したスコア関数は、一般化されたSCのための既存のスコア関数よりも効果的で信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2024-05-08T15:52:50Z)
• Class-incremental Learning for Time Series: Benchmark and Evaluation [24.39008346076859]
  本稿では,時系列クラスインクリメンタルラーニング(TSCIL)問題の概要を述べる。 標準化された設定に基づいて,新しいアルゴリズムの迅速な開発を支援する統一的な実験フレームワークを開発する。 このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々な汎用および時系列固有のCIL手法を包括的に評価する。
  論文  参考訳（メタデータ） (2024-02-19T10:43:13Z)
• Convolutional and Deep Learning based techniques for Time Series Ordinal Classification [7.047582157120573]
  時系列規則分類(TSOC)は、このギャップをカバーする分野であるが、文献では未解明である。 本稿では,TSOC手法の最初のベンチマークを行い,対象ラベルの順序付けを利用して,現在のTSCの現状を向上する。
  論文  参考訳（メタデータ） (2023-06-16T11:57:11Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Class-incremental Novel Class Discovery [76.35226130521758]
  クラス増進型新規クラス発見(class-iNCD)の課題について検討する。 基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2022-07-18T13:49:27Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Summary-Source Proposition-level Alignment: Task, Datasets and Supervised Baseline [94.0601799665342]
  資料の参照要約における文のアライメントは,補助的な要約作業として有用であった。 本稿では,2つの重要な新機能を導入しながら,要約ソースアライメントを明示的なタスクとして確立することを提案する。 我々は提案レベルのアライメントのための新しいトレーニングデータセットを作成し、利用可能な要約評価データから自動的に抽出する。 教師なしアプローチよりも優れたアライメント品質を示す教師付き命題アライメントベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-01T17:27:12Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。