論文の概要: Functional Random Forest with Adaptive Cost-Sensitive Splitting for Imbalanced Functional Data Classification
- arxiv url: http://arxiv.org/abs/2512.07888v1
- Date: Tue, 02 Dec 2025 04:57:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-10 22:28:07.662068
- Title: Functional Random Forest with Adaptive Cost-Sensitive Splitting for Imbalanced Functional Data Classification
- Title（参考訳）: 不均衡な機能データ分類のための適応的コスト感性分割を用いた機能的ランダムフォレスト
- Authors: Fahad Mostafa, Hafiz Khan,
- Abstract要約: 本稿では,不均衡な機能データ分類のための新しいアンサンブルフレームワークであるFRF-ACS(Adaptive Cost-Sensitive Splitting)を導入する。
不均衡に対処するため,各ノードのクラス重みを局所的に調整する動的コスト感度分割基準を組み込んだ。
合成および実世界のデータセットの実験により、FRF-ACSは少数クラスのリコールと全体的な予測性能を大幅に改善することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classification of functional data where observations are curves or trajectories poses unique challenges, particularly under severe class imbalance. Traditional Random Forest algorithms, while robust for tabular data, often fail to capture the intrinsic structure of functional observations and struggle with minority class detection. This paper introduces Functional Random Forest with Adaptive Cost-Sensitive Splitting (FRF-ACS), a novel ensemble framework designed for imbalanced functional data classification. The proposed method leverages basis expansions and Functional Principal Component Analysis (FPCA) to represent curves efficiently, enabling trees to operate on low dimensional functional features. To address imbalance, we incorporate a dynamic cost sensitive splitting criterion that adjusts class weights locally at each node, combined with a hybrid sampling strategy integrating functional SMOTE and weighted bootstrapping. Additionally, curve specific similarity metrics replace traditional Euclidean measures to preserve functional characteristics during leaf assignment. Extensive experiments on synthetic and real world datasets including biomedical signals and sensor trajectories demonstrate that FRF-ACS significantly improves minority class recall and overall predictive performance compared to existing functional classifiers and imbalance handling techniques. This work provides a scalable, interpretable solution for high dimensional functional data analysis in domains where minority class detection is critical.
- Abstract（参考訳）: 観測が曲線や軌道である機能データの分類は、特に厳密なクラス不均衡の下では、独特な課題を引き起こす。
従来のランダムフォレストアルゴリズムは、表層データに対して頑健であるが、機能的な観測と少数派検出との競合という本質的な構造を捉えることに失敗することが多い。
本稿では,不均衡な機能データ分類を目的とした新しいアンサンブルフレームワークであるFRF-ACS(Adaptive Cost-Sensitive Splitting)を導入した機能ランダムフォレストを提案する。
提案手法は, 基礎展開と機能主成分分析(FPCA)を利用して曲線を効率的に表現し, 木が低次元機能的特性で操作できるようにする。
不均衡に対処するために、各ノードのクラス重みを局所的に調整する動的コスト感度分割基準と、機能的SMOTEと重み付きブートストラップを組み合わせたハイブリッドサンプリング戦略を組み込んだ。
さらに、曲線固有の類似度指標は、葉の割り当て時の機能的特性を維持するために伝統的なユークリッド測度を置き換える。
バイオメディカル信号やセンサ・トラジェクトリを含む合成および実世界のデータセットに対する大規模な実験により、FRF-ACSは、既存の機能分類器や不均衡ハンドリング技術と比較して、少数クラスのリコールと全体的な予測性能を著しく改善することが示された。
この研究は、マイノリティクラス検出が重要となる領域において、高次元関数型データ解析のためのスケーラブルで解釈可能なソリューションを提供する。
関連論文リスト
- Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。
共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
論文 参考訳（メタデータ） (2025-11-23T00:50:33Z) - CALF: A Conditionally Adaptive Loss Function to Mitigate Class-Imbalanced Segmentation [0.2902243522110345]
不均衡データセットは、医学診断のためのディープラーニング(DL)モデルのトレーニングにおいて課題となる。
本稿では,DLトレーニングにおける不均衡データセットの条件を満たすために,新しい,統計的に駆動された条件適応型損失関数(CALF)を提案する。
論文 参考訳（メタデータ） (2025-04-06T12:03:33Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - A Functional Extension of Semi-Structured Networks [2.482050942288848]
半構造化ネットワーク(SSN)は、深いニューラルネットワークを持つ付加モデルに精通した構造をマージする。
大規模データセットにインスパイアされた本研究では,SSNを機能データに拡張する方法について検討する。
本稿では,古典的機能回帰手法の優位性を保ちつつ,スケーラビリティを向上する機能的SSN法を提案する。
論文 参考訳（メタデータ） (2024-10-07T18:50:18Z) - Augmented Functional Random Forests: Classifier Construction and Unbiased Functional Principal Components Importance through Ad-Hoc Conditional Permutations [0.0]
本稿では,木に基づく手法と関数型データ解析を統合した新しい教師付き分類手法を提案する。
機能的分類木と機能的ランダム林の拡張版を提案し,機能的主成分の重要性を評価するための新しいツールを取り入れた。
論文 参考訳（メタデータ） (2024-08-23T15:58:41Z) - A new computationally efficient algorithm to solve Feature Selection for
Functional Data Classification in high-dimensional spaces [41.79972837288401]
本稿では,機能的分類のための特徴選択手法FSFCを紹介し,特徴選択と機能的データの分類を共同で行うという課題に対処する。
我々は機能的主成分を採用し、Dual Augmented Lagrangianアルゴリズムの新しい適応バージョンを開発した。
FSFCの計算効率は、特徴数が統計単位数よりかなり多いような高次元シナリオを処理できる。
論文 参考訳（メタデータ） (2024-01-11T09:17:25Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳（メタデータ） (2022-08-10T19:17:45Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。