Fugu-MT 論文翻訳(概要): Imbalanced Classification through the Lens of Spurious Correlations

論文の概要: Imbalanced Classification through the Lens of Spurious Correlations

arxiv url: http://arxiv.org/abs/2510.27650v1
Date: Fri, 31 Oct 2025 17:24:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-03 17:52:16.181765
Title: Imbalanced Classification through the Lens of Spurious Correlations
Title（参考訳）: 鮮度相関レンズによる不均衡分類
Authors: Jakob Hackstein, Sidney Bender,
Abstract要約: クラス不均衡は機械学習における根本的な課題であり、しばしば信頼性の低い分類性能をもたらす。我々は不均衡を、少数民族の過小評価によってクレバーハン効果を増幅するデータ条件と見なしている。対実的説明に基づくアプローチでは、説明可能なAIを活用して、不均衡下で出現するCH効果を共同で識別し、排除することを提案する。
参考スコア（独自算出の注目度）: 0.8594140167290097
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Class imbalance poses a fundamental challenge in machine learning, frequently leading to unreliable classification performance. While prior methods focus on data- or loss-reweighting schemes, we view imbalance as a data condition that amplifies Clever Hans (CH) effects by underspecification of minority classes. In a counterfactual explanations-based approach, we propose to leverage Explainable AI to jointly identify and eliminate CH effects emerging under imbalance. Our method achieves competitive classification performance on three datasets and demonstrates how CH effects emerge under imbalance, a perspective largely overlooked by existing approaches.
Abstract（参考訳）: クラス不均衡は機械学習における根本的な課題であり、しばしば信頼性の低い分類性能をもたらす。従来の手法ではデータ重み付けや損失重み付けに重点を置いていたが,不均衡はマイノリティクラスの不特定性によってクレバーハンス(CH)効果を増幅するデータ条件であると考えている。対実的説明に基づくアプローチでは、説明可能なAIを活用して、不均衡下で出現するCH効果を共同で識別し、排除することを提案する。提案手法は3つのデータセット上での競合的分類性能を実現し,CH効果が不均衡の下でどのように現れるかを示す。

関連論文リスト

Beyond Rebalancing: Benchmarking Binary Classifiers Under Class Imbalance Without Rebalancing Techniques [3.7660066212240744]
クラス不均衡は、特に医学診断や異常検出といった重要な領域において、教師付き分類にとって重要な課題である。実世界のデータセットと合成データセットの両方にまたがる多様なバイナリ分類器の頑健さを体系的に評価する。その結果、データの複雑さが増加し、マイノリティクラスのサイズが減少するにつれて、分類がより困難になることが確認された。
論文参考訳（メタデータ） (2025-09-09T11:28:34Z)
Handling Imbalanced Pseudolabels for Vision-Language Models with Concept Alignment and Confusion-Aware Calibrated Margin [56.37346003683629]
擬似ラベルを用いた下流タスクへの視覚言語モデル(VLM)の適用が注目されている。主な障害は、VLMによって生成された擬似ラベルが不均衡になり、性能が低下する傾向があることである。本稿では,概念アライメントと混乱を考慮したマージン機構を取り入れた新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-04T10:24:34Z)
Learning Confidence Bounds for Classification with Imbalanced Data [42.40303003632808]
本稿では,学習理論と集中不等式を利用して従来のソリューションの欠点を克服する新しい枠組みを提案する。本手法は, クラスごとに異なる不均衡度に効果的に適応できるため, より堅牢で信頼性の高い分類結果が得られる。
論文参考訳（メタデータ） (2024-07-16T16:02:27Z)
What Makes CLIP More Robust to Long-Tailed Pre-Training Data? A Controlled Study for Transferable Insights [67.72413262980272]
大規模なデータ不均衡は、Webスケールの視覚言語データセットの間に自然に存在する。事前学習したCLIPは、教師付き学習と比較してデータ不均衡に顕著な堅牢性を示す。 CLIPの堅牢性と差別性は、より記述的な言語監督、より大きなデータスケール、より広いオープンワールドの概念によって改善される。
論文参考訳（メタデータ） (2024-05-31T17:57:24Z)
Rethinking Semi-Supervised Imbalanced Node Classification from Bias-Variance Decomposition [17.742433178056903]
本稿では,グラフ構造データ学習のためのグラフニューラルネットワーク(GNN)におけるクラス不均衡問題に対する新しいアプローチを提案する。提案手法は,不均衡ノード分類とバイアス分散分解を統合し,モデル分散にデータ不均衡を密接に関連付ける理論的枠組みを確立する。
論文参考訳（メタデータ） (2023-10-28T17:28:07Z)
A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment for Imbalanced Learning [129.63326990812234]
そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
論文参考訳（メタデータ） (2023-10-07T09:15:08Z)
Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
論文参考訳（メタデータ） (2023-08-27T19:01:29Z)
An Embarrassingly Simple Baseline for Imbalanced Semi-Supervised Learning [103.65758569417702]
半教師付き学習(SSL)は、ラベルのないデータを活用してモデルのパフォーマンスを向上させるという大きな約束を示している。我々は、ラベル付きデータとラベルなしデータの両方で不均衡なクラス分散が発生する不均衡SSLという、より現実的で困難な設定について検討する。我々は、ラベル付きデータを擬似ラベルで単純に補うことで、データの不均衡に取り組む単純なベースライン、SimiSについて研究する。
論文参考訳（メタデータ） (2022-11-20T21:18:41Z)
Phased Progressive Learning with Coupling-Regulation-Imbalance Loss for Imbalanced Classification [11.673344551762822]
ディープニューラルネットワークは、一般に、異なるクラス間の量不均衡と分類困難の不均衡に苦しむデータセットで性能が良くない。表象学習から上位クラス化学習への学習強調を円滑に伝達する段階的な進行学習スケジュールが提案された。私たちのコードはまもなくオープンソースになります。
論文参考訳（メタデータ） (2022-05-24T14:46:39Z)
Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文参考訳（メタデータ） (2020-11-25T00:13:11Z)
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)
Mitigating Dataset Imbalance via Joint Generation and Classification [17.57577266707809]
教師付きディープラーニング手法は、コンピュータビジョンの多くの実践的応用において大きな成功を収めている。バイアスや不均衡データに対する顕著な性能劣化は、これらの手法の信頼性に疑問を投げかける。ニューラルネットワーク分類器とGAN(Generative Adversarial Networks)を組み合わせた共同データセット修復戦略を提案する。重度のクラス不均衡に対する分類器とGANの堅牢性向上に寄与することを示す。
論文参考訳（メタデータ） (2020-08-12T18:40:38Z)
Adaptive Adversarial Logits Pairing [65.51670200266913]
逆行訓練ソリューションであるAdversarial Logits Pairing (ALP)は、脆弱なものに比べて、高い貢献度を少なくする傾向にある。これらの観測により,適応型対数対数対数対数対数対数法 (AALP) を設計し,ALPのトレーニングプロセスとトレーニングターゲットを変更する。 AALPは適応的な機能最適化モジュールと Guided Dropout から構成されており、より少ない高コントリビューション機能を体系的に追求する。
論文参考訳（メタデータ） (2020-05-25T03:12:20Z)

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。