論文の概要: TILBench: A Systematic Benchmark for Tabular Imbalanced Learning Across Data Regimes

• arxiv url: http://arxiv.org/abs/2605.14915v1
• Date: Thu, 14 May 2026 14:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.889822
• Title: TILBench: A Systematic Benchmark for Tabular Imbalanced Learning Across Data Regimes
• Title（参考訳）: TILBench: データレジーム間の語彙不均衡学習のためのシステムベンチマーク
• Authors: Ruizhe Liu, Jiaqi Luo,
• Abstract要約: 本稿では,TILBench(Tabular Im Balanced Learning Benchmark)を提案する。 以上の結果から,すべての設定において単一手法が一貫した優位性は認められなかった。 これらの知見に基づき、実世界のアプリケーションで適切な方法を選択するための実践的な勧告を提供する。
• 参考スコア（独自算出の注目度）: 2.719609428301149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imbalanced learning remains a fundamental challenge in tabular data applications. Despite decades of research and numerous proposed algorithms, a systematic empirical understanding of how different imbalanced learning methods behave across diverse data characteristics is still lacking. In particular, it remains unclear how different method families compare in predictive performance, robustness under varying data characteristics, and computational scalability. In this work, we present Tabular Imbalanced Learning Benchmark (TILBench), a large-scale empirical benchmark for tabular imbalanced learning. TILBench evaluates more than 40 representative algorithms across 57 diverse tabular datasets, resulting in over 200000 controlled experiments across a wide range of data characteristics. Our findings show that no single method consistently dominates across all settings; instead, the effectiveness of imbalanced learning methods depends strongly on dataset characteristics and computational constraints. Based on these findings, we provide practical recommendations for selecting appropriate methods in real-world applications.
• Abstract（参考訳）: 表形式のデータアプリケーションでは、不均衡な学習が依然として根本的な課題である。 何十年もの研究と多くの提案されたアルゴリズムにもかかわらず、異なる不均衡学習手法が様々なデータ特性に対してどのように振る舞うかについての体系的な実証的な理解はいまだに欠けている。 特に、予測性能、データ特性の違いによる堅牢性、計算スケーラビリティにおいて、異なるメソッドファミリーがどのように比較されているかは、いまだ不明である。 本研究では,表型不均衡学習のための大規模実験ベンチマークTILBenchを提案する。 TILBenchは57の多様な表付きデータセットに対して40以上の代表アルゴリズムを評価し、幅広いデータ特性に対して20000以上の制御された実験を行う。 提案手法は, データセットの特徴や計算制約に強く依存している。 これらの知見に基づき、実世界のアプリケーションで適切な方法を選択するための実践的な勧告を提供する。

関連論文リスト

• CLIMB: Class-imbalanced Learning Benchmark on Tabular Data [78.71020927424046]
  クラス不均衡学習(クラス不均衡学習、class-imbalanced learning、CIL)は、マイノリティクラスが重要な結果を持っている多くの実世界のアプリケーションにおいて重要である。 本稿では,クラス不均衡学習のための総合的なベンチマークであるCLIMBを提案する。 CLIMBには、さまざまなドメインと不均衡レベルにわたる73の現実世界データセットと、29の代表的なCILアルゴリズムの統一実装が含まれている。
  論文  参考訳（メタデータ） (2025-05-23T04:21:03Z)
• BalanceBenchmark: A Survey for Multimodal Imbalance Learning [9.858467766666223]
  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能力に注目されている。 これは、あるモダリティが支配的であり、他のモダリティが未利用のままであるマルチモーダル不均衡問題によってしばしば妨げられる。 我々は,主要な多モード不均衡アルゴリズムを,不均衡を緩和するための戦略に基づいて4つのグループに体系的に分類する。
  論文  参考訳（メタデータ） (2025-02-15T14:42:42Z)
• A Closer Look at Deep Learning Methods on Tabular Datasets [78.61845513154502]
  広い範囲にまたがる300以上のデータセットの集合であるTALENTについて広範な研究を行った。 我々の評価では、アンサンブルは木に基づくアプローチとニューラルアプローチの両方に効果があることが示されている。
  論文  参考訳（メタデータ） (2024-07-01T04:24:07Z)
• Variational Self-Supervised Contrastive Learning Using Beta Divergence [0.0]
  本稿では,データノイズに対して頑健な自己教師付き学習手法を提案する。 顔理解領域における多ラベルデータセットを用いた線形評価と微調整シナリオを含む厳密な実験により,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-05T17:21:38Z)
• An Empirical Analysis of the Efficacy of Different Sampling Techniques for Imbalanced Classification [0.0]
  実世界のデータセットにおける不均衡の頻度は、クラス不均衡問題に対する様々な戦略の創出につながっている。 標準分類アルゴリズムは、不均衡なデータで訓練された場合、性能が良くない傾向にある。 そこで本研究では,26種類のサンプリング手法を網羅的に分析し,不均衡なデータを扱う上での有効性について考察する。
  論文  参考訳（メタデータ） (2022-08-25T03:45:34Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)

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。