論文の概要: Model-Agnostic Meta Learning for Class Imbalance Adaptation

• arxiv url: http://arxiv.org/abs/2604.18759v1
• Date: Mon, 20 Apr 2026 19:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.445605
• Title: Model-Agnostic Meta Learning for Class Imbalance Adaptation
• Title（参考訳）: クラス不均衡適応のためのモデル非依存メタ学習
• Authors: Hanshu Rao, Guangzeng Han, Xiaolei Huang,
• Abstract要約: クラス不均衡はNLPタスクにおいて広範な課題であり、さまざまなドメインやアプリケーション間での堅牢なパフォーマンスを妨げる。 本稿では,Hardness-Aware Meta-Resample(HAMR)について紹介する。
• 参考スコア（独自算出の注目度）: 3.2488051786523813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class imbalance is a widespread challenge in NLP tasks, significantly hindering robust performance across diverse domains and applications. We introduce Hardness-Aware Meta-Resample (HAMR), a unified framework that adaptively addresses both class imbalance and data difficulty. HAMR employs bi-level optimizations to dynamically estimate instance-level weights that prioritize genuinely challenging samples and minority classes, while a neighborhood-aware resampling mechanism amplifies training focus on hard examples and their semantically similar neighbors. We validate HAMR on six imbalanced datasets covering multiple tasks and spanning biomedical, disaster response, and sentiment domains. Experimental results show that HAMR achieves substantial improvements for minority classes and consistently outperforms strong baselines. Extensive ablation studies demonstrate that our proposed modules synergistically contribute to performance gains and highlight HAMR as a flexible and generalizable approach for class imbalance adaptation. Code is available at https://github.com/trust-nlp/ImbalanceLearning.
• Abstract（参考訳）: クラス不均衡はNLPタスクにおいて広範な課題であり、多様なドメインやアプリケーション間での堅牢なパフォーマンスを著しく妨げている。 本稿では,Hardness-Aware Meta-Resample(HAMR)について紹介する。 HAMRは、2段階の最適化を用いて、真に困難なサンプルやマイノリティクラスを優先するインスタンスレベルの重みを動的に推定する。 我々は、複数のタスクをカバーし、生体医療、災害対応、感情ドメインにまたがる6つの不均衡データセット上でHAMRを検証する。 実験の結果,HAMRはマイノリティクラスの大幅な改善を達成し,強いベースラインを一貫して上回ることがわかった。 大規模なアブレーション研究により,提案するモジュールは相乗的に性能向上に寄与し,HAMRをクラス不均衡適応のための柔軟で一般化可能なアプローチとして強調する。 コードはhttps://github.com/trust-nlp/ImbalanceLearning.comで入手できる。

関連論文リスト

• Label What Matters: Modality-Balanced and Difficulty-Aware Multimodal Active Learning [13.136629024689432]
  モダリティバランスと難易度を考慮した能動学習のための強化学習フレームワークRL-MBAを提案する。 Food101、KineeticsSound、VGGSoundの実験は、RL-MBAが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-26T07:26:48Z)
• BALM: A Model-Agnostic Framework for Balanced Multimodal Learning under Imbalanced Missing Rates [1.9650181409005112]
  BALMはモデルに依存しないプラグインフレームワークであり、IMRの下でバランスの取れたマルチモーダル学習を実現する。 BALMはロバスト性を継続的に向上し,多様な不足および不均衡条件下での性能向上を図っている。
  論文  参考訳（メタデータ） (2026-03-20T07:47:09Z)
• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• LSH-DynED: A Dynamic Ensemble Framework with LSH-Based Undersampling for Evolving Multi-Class Imbalanced Classification [3.360922672565235]
  この研究は、これらの課題に対処するための、新しく、堅牢で、レジリエントなアプローチを紹介します。 Locality Sensitive Hashing と Random Hyperplane Projections (LSH-RHP) を Dynamic Ensemble Diversification (DynED) フレームワークに統合する。 我々は23の現実世界と10の半合成データセットに関する総合的な実験を行い、LSH-DynEDと15の最先端の手法を比較した。
  論文  参考訳（メタデータ） (2025-06-24T22:46:47Z)
• Rethinking Multimodal Learning from the Perspective of Mitigating Classification Ability Disproportion [6.749782429802639]
  マルチモーダル学習は、モダリティの不均衡によって著しく制約される。 本稿では,強化の原理を取り入れて,弱いモダリティと強いモダリティの分類能力のバランスをとる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:12:20Z)
• Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining [55.262510814326035]
  既存のリウェイト戦略は主にグループレベルのデータの重要性に焦点を当てている。 動的・インスタンスレベルのデータ再重み付けのための新しいアルゴリズムを提案する。 当社のフレームワークでは,冗長データや非形式データを優先的に再重み付けする戦略を考案することが可能です。
  論文  参考訳（メタデータ） (2025-02-10T17:57:15Z)
• SeMi: When Imbalanced Semi-Supervised Learning Meets Mining Hard Examples [54.760757107700755]
  Semi-Supervised Learning (SSL)は、豊富な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。 実世界のシナリオにおけるクラス不均衡なデータ分散は、SSLに大きな課題をもたらし、結果としてパフォーマンスが低下する。 マイニングハードケース(SeMi)による不均衡半教師学習の性能向上手法を提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:35:16Z)
• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Online Learning With Adaptive Rebalancing in Nonstationary Environments [11.501721946030779]
  オンライン学習における非定常データと不均衡データからの学習に関する新たな洞察を提供する。 本稿では,AREBA(Adaptive REBAlancing)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-24T20:40:04Z)

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。