論文の概要: Reasoning-Enhanced Rare-Event Prediction with Balanced Outcome Correction

• arxiv url: http://arxiv.org/abs/2601.16406v1
• Date: Fri, 23 Jan 2026 02:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.513283
• Title: Reasoning-Enhanced Rare-Event Prediction with Balanced Outcome Correction
• Title（参考訳）: 平衡出力補正を用いた推論強化希土類イベント予測
• Authors: Vitaly Bulgakov, Alexander Turchin,
• Abstract要約: 本稿では,予測のためのLPCORP(Low-Prevalence CORrector for Prediction)*を提案する。 医療・消費者サービス分野における実世界のデータセット上でLPCORPを評価する。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rare-event prediction is critical in domains such as healthcare, finance, reliability engineering, customer support, aviation safety, where positive outcomes are infrequent yet potentially catastrophic. Extreme class imbalance biases conventional models toward majority-class predictions, limiting recall, calibration, and operational usefulness. We propose LPCORP (Low-Prevalence CORrector for Prediction)*, a two-stage framework that combines reasoningenhanced prediction with confidence-based outcome correction. A reasoning model first produces enriched predictions from narrative inputs, after which a lightweight logistic-regression classifier evaluates and selectively corrects these outputs to mitigate prevalence-driven bias. We evaluate LPCORP on real-world datasets from medical and consumer service domains. The results show that this method transforms a highly imbalanced setting into a well-balanced one while preserving the original number of samples and without applying any resampling strategies. Test-set evaluation demonstrates substantially improved performance, particularly in precision, which is a known weakness in low-prevalence data. We further provide a costreduction analysis comparing the expenses associated with rare-event damage control without preventive measures to those incurred when low-cost, prediction-based preventive interventions are applied that showed more than 50% reduction in some cases. * Patent pending: U.S. Provisional 63/933,518, filed 8 December 2025.
• Abstract（参考訳）: 医療、金融、信頼性エンジニアリング、カスタマーサポート、航空安全といった領域では、前向きな結果が稀に大惨事になる可能性がある。 極端なクラス不均衡は、リコール、キャリブレーション、運用上の有用性を制限する、多数派クラスの予測に対する従来のモデルに偏っている。 本稿では,予測のためのLPCORP(Low-Prevalence CORrector for Prediction)*を提案する。 推論モデルはまず、まず物語入力からリッチな予測を生成し、その後、軽量なロジスティック回帰分類器がこれらの出力を評価し、選択的に修正し、精度駆動バイアスを緩和する。 医療・消費者サービス分野における実世界のデータセット上でLPCORPを評価する。 その結果, 本手法は, サンプル数を維持しつつも, 再サンプリング戦略を適用せずに, 高度に不均衡な設定をよくバランスの取れた設定に変換することを示した。 テストセット評価は、特に精度が著しく向上しており、これは低精度データにおける既知の弱点である。 また, 予防措置を講ずとも, 予防対策にかかわる費用を, 低コストで予測に基づく予防介入を適用した場合, 50%以上の削減効果を示した場合と比較して, コスト削減分析を行った。 ※特許出願:2025年12月8日、アメリカ合衆国暫定63/933,518条。

関連論文リスト

• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• Imputation for prediction: beware of diminishing returns [12.424671213282256]
  失敗の値はさまざまな分野に分散しており、予測モデルをトレーニングしデプロイする上での課題を提起している。 最近の理論的および実証的な研究は、単純な定数計算が一貫性と競争力を持つことを示唆している。 本研究の目的は, 先進的な計算手法への投資が, 予測精度を著しく向上させるかどうかを明らかにすることである。
  論文  参考訳（メタデータ） (2024-07-29T09:01:06Z)
• Uncertainty Calibration for Counterfactual Propensity Estimation in Recommendation [22.67361489565711]
  クリック後変換率(CVR)は、オンライン顧客の嗜好の信頼できる指標である。 本稿では,CVR予測の妥当性に基づくデバイアス化のためのモデルに依存しないキャリブレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-23T00:42:48Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Uncertainty-Aware Training for Cardiac Resynchronisation Therapy Response Prediction [3.090173647095682]
  予測の不確実性の定量化は、そのような解釈可能性を提供し、信頼を促進する1つの方法である。 心臓磁気共鳴画像からの心再同期治療応答予測のためのDLモデルのデータ(アラート的)とモデル(緊急的)の不確かさを定量化する。 我々は、既存のDL画像に基づく分類モデルを再訓練し、正しい予測の信頼性を高めるために使用できる不確実性認識損失関数を予備検討する。
  論文  参考訳（メタデータ） (2021-09-22T10:37:50Z)
• Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People [4.692400531340393]
  本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。 研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
  論文  参考訳（メタデータ） (2020-09-08T13:14:08Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)

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。