論文の概要: OverNaN: NaN-Aware Oversampling for Imbalanced Learning with Meaningful Missingness

• arxiv url: http://arxiv.org/abs/2605.11525v1
• Date: Tue, 12 May 2026 04:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.586108
• Title: OverNaN: NaN-Aware Oversampling for Imbalanced Learning with Meaningful Missingness
• Title（参考訳）: OverNaN:非バランス学習のためのNaN-Aware Oversampling
• Authors: Amanda S Barnard,
• Abstract要約: OverNaNは軽量でNaN対応のオーバーサンプリングフレームワークで、不足構造を消去することなくクラス不均衡に対処するように設計されている。 本稿では,不均衡な学習,データハンドリング,NaN耐性アルゴリズムといった広い視野にOverNaNを配置する。
• 参考スコア（独自算出の注目度）: 2.0052993723676895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Missing values are routinely treated as defects to be eliminated through deletion or imputation prior to machine learning. In many applied domains, however, missingness itself carries information, reflecting experimental constraints, measurement choices, or systematic mechanisms tied to the data-generating process. Eliminating or masking this structure can distort class boundaries, introduce bias, and reduce generalisability; particularly in imbalanced datasets where minority classes are already under-represented. OverNaN is a lightweight, NaN-aware oversampling framework designed to address class imbalance without erasing missingness structure. It extends common synthetic oversampling methods to operate directly on incomplete feature vectors, allowing missing values to be preserved, propagated, or selectively interpolated according to explicitly defined strategies. Rather than repairing missing data, OverNaN treats missingness as part of the feature space over which synthetic samples are generated. This paper situates OverNaN within the broader landscape of imbalanced learning, missing-data handling, and NaN-tolerant algorithms. Using representative examples included with the software, we demonstrate that meaningful missingness can be retained during oversampling without introducing artificial certainty. OverNaN is intended for practitioners working with small, incomplete, and imbalanced datasets in scientific and engineering domains where missingness is unavoidable and often informative.
• Abstract（参考訳）: 欠落した値は、機械学習の前に削除または計算によって取り除かれる欠陥として日常的に扱われる。 しかし、多くの応用領域において、不足そのものは情報を持ち、実験的な制約、測定の選択、あるいはデータ生成プロセスに関連する体系的なメカニズムを反映している。 この構造を排除または隠蔽することは、クラスの境界を歪ませたり、バイアスを導入したり、一般化可能性を減らすことができる。 OverNaNは軽量でNaN対応のオーバーサンプリングフレームワークで、不足構造を消去することなくクラス不均衡に対処するように設計されている。 一般的な合成オーバーサンプリング法を拡張して、不完全な特徴ベクトルを直接操作し、明示的に定義された戦略に従って、欠落した値を保存、伝播、選択的に補間することができる。 OverNaNは、欠落したデータを修復する代わりに、合成サンプルが生成される特徴空間の一部として欠落を扱います。 本稿では,不均衡な学習,データハンドリング,NaN耐性アルゴリズムといった広い視野にOverNaNを配置する。 ソフトウェアに含まれる代表例を用いて,人工的確実性を導入することなく,オーバーサンプリング中に有意義な欠損を維持できることを実証した。 OverNaNは、科学や工学の分野で小さな、不完全な、不均衡なデータセットを扱う実践者を対象としている。

関連論文リスト

• Uncertainty-aware t-distributed Stochastic Neighbor Embedding for Single-cell RNA-seq Data [11.88650102534271]
  本研究では,不確実な単一セルRNA配列データに適したノイズ防御可視化ツールであるt-SNE(Ut-SNE)を紹介する。 Ut-SNEは、各サンプルに対する確率的表現を作成することにより、転写可変性に関するノイズをシングルセルRNAシークエンシングデータの視覚的解釈に正確に組み込む。
  論文  参考訳（メタデータ） (2024-10-01T08:03:15Z)
• Still More Shades of Null: An Evaluation Suite for Responsible Missing Value Imputation [7.620967781722717]
  本稿では,有意な値計算を行うための評価スイートであるShades-of-Nullを紹介する。 我々はShades-of-Nullを使って29,736の実験パイプラインを含む大規模な実験を行った。
  論文  参考訳（メタデータ） (2024-09-11T17:58:39Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• 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)
• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Fairness constraint in Structural Econometrics and Application to fair estimation using Instrumental Variables [3.265773263570237]
  教師付き機械学習アルゴリズムは、新しい観測を予測するために使用される学習サンプルからモデルを決定する。 この情報集約は、観測できないものや、トレーニングサンプルに含まれる可能性のあるステータス・クオバイアスについて、潜在的な選択を考慮しない。 後者の偏見は、機械学習アルゴリズムのいわゆるテクストフェアネス(textitfairness)、特に不利なグループに対する懸念を提起している。
  論文  参考訳（メタデータ） (2022-02-16T15:34:07Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• NeuMiss networks: differentiable programming for supervised learning with missing values [0.0]
  線形性仮定の下で最適予測器の解析形式を導出する。 我々はNeuMissネットワークという新しい原則アーキテクチャを提案する。 パラメータの数と、欠落したデータパターンの数に依存しない計算複雑性の両方で、予測精度が良い。
  論文  参考訳（メタデータ） (2020-07-03T11:42:25Z)

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。