論文の概要: Correcting Class Imbalance in Prior-Data Fitted Networks for Tabular Classification

• arxiv url: http://arxiv.org/abs/2605.21742v1
• Date: Wed, 20 May 2026 21:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.490023
• Title: Correcting Class Imbalance in Prior-Data Fitted Networks for Tabular Classification
• Title（参考訳）: タブラル分類のための事前データフィットネットワークにおけるクラス不均衡の補正
• Authors: Samuel McDowell, Nathan Stromberg, Lalitha Sankar,
• Abstract要約: 我々は,クラス不均衡に対処するいくつかの古典的手法を適応し,PFN分類に基づく性能解析を行った。 PFNのキャリブレーション特性によりしきい値が極めて良好に動作し,PFNの限られたデータ性能によりダウンサンプリングが相容れないことが観察された。
• 参考スコア（独自算出の注目度）: 8.59490648173779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior-data fitted networks (PFNs) have achieved exceptional performance on tabular classification tasks. However, like other classifiers, their performance can suffer under the effect of class imbalance, resulting in poor performance for rare classes. Several techniques exist which attempt to mitigate the deleterious effect of class imbalance on classification performance, but the in-context learning (ICL) dynamic of PFNs means that loss-based strategies are impossible, and other techniques are unproven. We have adapted several classical techniques addressing class imbalance and analyzed their performance on PFN classification. We observe that thresholding performs exceptionally well because of the calibration characteristics of PFNs, and downsampling performs comparably because of PFNs exceptional limited-data performance, with the additional benefit of reduced computation cost for inference.
• Abstract（参考訳）: 先行データ対応ネットワーク(PFN)は、表型分類タスクにおいて例外的な性能を達成している。 しかし、他の分類器と同様に、それらの性能はクラス不均衡の影響を受け、希少なクラスでは性能が低下する。 クラス不均衡が分類性能に有害な影響を和らげる手法はいくつか存在するが、PFNの文脈内学習(ICL)のダイナミクスは、損失ベースの戦略は不可能であり、他の手法は証明されていない。 我々は,クラス不均衡に対処するいくつかの古典的手法を適応し,PFN分類に基づく性能解析を行った。 PFNのキャリブレーション特性によりしきい値の精度は極めて良好であり、ダウンサンプリングはPFNの例外的な限定データ性能により相容れない性能を示し、さらに推論の計算コストを削減できる利点がある。

関連論文リスト

• Reducing Class-Wise Performance Disparity via Margin Regularization [82.81746960548382]
  ディープニューラルネットワークは、クラスバランスのデータでトレーニングされた場合でも、クラスレベルでの精度において大きな違いを示すことが多い。 本稿では,性能格差低減のためのMargin Regularization for Performance Disparity Reduction (MR$2$)を提案する。 分析の結果,クラスごとの機能変動がエラーにどのように寄与するかが明らかとなり,ハードクラスに対するより大きなマージンの利用が動機となった。
  論文  参考訳（メタデータ） (2026-01-30T12:56:08Z)
• Simplifying Neural Network Training Under Class Imbalance [77.39968702907817]
  実世界のデータセットは、しばしば高いクラス不均衡であり、ディープラーニングモデルのパフォーマンスに悪影響を及ぼす可能性がある。 クラス不均衡下でのニューラルネットワークのトレーニングに関する研究の大部分は、特殊な損失関数、サンプリング技術、または2段階のトレーニング手順に焦点を当てている。 バッチサイズやデータ拡張,ラベルの平滑化といった,標準的なディープラーニングパイプラインの既存のコンポーネントを単にチューニングするだけで,そのような特殊なクラス不均衡な手法を使わずに,最先端のパフォーマンスを達成できることを実証する。
  論文  参考訳（メタデータ） (2023-12-05T05:52:44Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Prediction Error-based Classification for Class-Incremental Learning [39.91805363069707]
  予測誤差に基づく分類(PEC)を導入する PECは、そのクラスのデータに基づいて、凍結ランダムニューラルネットワークの出力を複製するために訓練されたモデルの予測誤差を測定して、クラススコアを算出する。 PECは、サンプル効率、チューニングの容易さ、データを一度に1つのクラスに提示しても有効性など、いくつかの実用的な利点を提供している。
  論文  参考訳（メタデータ） (2023-05-30T07:43:35Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Exploring Classification Equilibrium in Long-Tailed Object Detection [29.069986049436157]
  そこで本研究では,各カテゴリの平均分類スコアを用いて,各カテゴリの分類精度を示す。 EBL (Equilibrium Loss) と Memory-augmented Feature Smpling (MFS) 法による分類のバランスをとる。 尾クラスの検出性能を15.6 APで改善し、最新の長い尾を持つ物体検出器を1 AP以上で上回っている。
  論文  参考訳（メタデータ） (2021-08-17T08:39:04Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)
• LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
  本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。 LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
  論文  参考訳（メタデータ） (2020-12-21T06:40:20Z)

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。