論文の概要: DAMEL: Dual-Axis Multi-Expert Learning for Class-Imbalanced Learning

• arxiv url: http://arxiv.org/abs/2605.30135v1
• Date: Thu, 28 May 2026 16:02:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.462142
• Title: DAMEL: Dual-Axis Multi-Expert Learning for Class-Imbalanced Learning
• Title（参考訳）: DAMEL: クラス不均衡学習のための2軸マルチエキスパート学習
• Authors: Hyuck Lee, Taemin Park, Heeyoung Kim,
• Abstract要約: 我々はDAMEL(Dual-axis Multi-expert Learning)と呼ばれる新しいマルチエキスパート学習アルゴリズムを提案する。 これは、表現と時間軸の両方に沿って複数の専門家を使用することで、予測のバイアスと分散の両方を削減する。 実験結果から,DAMELは予測のバイアスと分散の両方を低減し,クラス不均衡学習におけるその効果を強調した。
• 参考スコア（独自算出の注目度）: 13.751340589850349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Various algorithms have been proposed to address the challenges posed by class-imbalanced learning from real-world data with long-tailed distributions. While these algorithms reduce prediction bias through rebalancing techniques, they often introduce increased prediction variance as a trade-off. Several multi-expert learning algorithms aim to address this variance but involve complex procedures. We propose a new multi-expert learning algorithm, called the dual-axis multi-expert learning (DAMEL), which reduces both bias and variance of predictions by using multiple experts along both representation and time axes. Along the representation axis, DAMEL concatenates the representations of multiple experts and trains an auxiliary balanced classifier simultaneously with the concatenated representations. Along the time axis, DAMEL aggregates network weights across training epochs, employing these aggregated weights during testing. Experimental results demonstrate that DAMEL reduces both bias and variance of predictions, highlighting its effectiveness in class-imbalanced learning.
• Abstract（参考訳）: 長期分布を持つ実世界のデータからクラス不均衡学習によって生じる課題に対処するために,様々なアルゴリズムが提案されている。 これらのアルゴリズムは、リバランス手法によって予測バイアスを低減するが、トレードオフとして予測分散の増加を導入することが多い。 いくつかのマルチエキスパート学習アルゴリズムは、この分散に対処するが、複雑な手続きを伴う。 そこで我々は,DAMEL (Dual-axis Multi-expert Learning) と呼ばれる新しいマルチエキスパート学習アルゴリズムを提案する。 表現軸に沿って、DAMELは複数の専門家の表現を連結し、連結された表現と同時に補助的均衡化分類器を訓練する。 タイム軸に沿って、DAMELはトレーニングエポック全体にネットワークの重みを集約し、テスト中にこれらの重みを集約する。 実験結果から,DAMELは予測のバイアスと分散の両方を低減し,クラス不均衡学習におけるその効果を強調した。

関連論文リスト

• Optimized Deferral for Imbalanced Settings [52.48138985215643]
  学習アルゴリズムは、複雑な入力や不確実な入力を専門の専門家にルーティングすることで、大幅に改善することができる。 遅延学習として知られるこのアプローチは、自然言語生成、診断、コンピュータビジョンといった領域において不可欠である。 本稿では,専門家の不均衡な環境下での2段階学習の遅延に関する総合的研究について述べる。
  論文  参考訳（メタデータ） (2026-04-30T11:15:37Z)
• Let Experts Feel Uncertainty: A Multi-Expert Label Distribution Approach to Probabilistic Time Series Forecasting [17.806460485532142]
  実世界の応用における時系列予測には高い予測精度と解釈可能な不確実性定量化が必要である。 本稿では,これらの課題に対処する新しい多言語学習分散ラベル(LDL)フレームワークを提案する。 提案手法では,(1)異なる学習パラメータを持つ複数の専門家を用いて時間パターンを抽出するマルチエキスパートLDLと,(2)時系列を解釈可能なコンポーネントに明示的に分解するパターン認識LDL-MoEの2つの相補的手法を提案する。
  論文  参考訳（メタデータ） (2026-02-04T15:51:02Z)
• Addressing Imbalanced Domain-Incremental Learning through Dual-Balance Collaborative Experts [59.615381619866284]
  ドメイン・インクリメンタル・ラーニング(Domain-Incremental Learning, DIL)は、非定常環境における連続的な学習に焦点を当てる。 DILは、ドメイン内のクラス不均衡とドメイン間のクラス分散シフトという、2つの重要な課題に直面している。 これらの課題を克服するために、Dual-Balance Collaborative Experts (DCE)フレームワークを紹介します。
  論文  参考訳（メタデータ） (2025-07-09T17:57:07Z)
• A Two-Stage Learning-to-Defer Approach for Multi-Task Learning [3.4289478404209826]
  本稿では,マルチタスク学習のための新しい2段階L2Dフレームワークを提案する。 提案手法は2段階のサロゲート損失ファミリーを利用し,Bayes-consistentと$(mathcalG, MathcalR)$-consistentの両方を証明した。
  論文  参考訳（メタデータ） (2024-10-21T07:44:57Z)
• Foundations of Multivariate Distributional Reinforcement Learning [24.808129930793882]
  本研究は,多変量分布動的計画法と時間差分学習を実証的に収束させる,最初のオラクルフリーで計算可能なアルゴリズムを導入する。 驚いたことに、報酬次元が1ドルより大きい場合、分類的TD学習の標準解析は失敗し、これは質量1ドルの符号付き測度空間に新しい射影で解決する。
  論文  参考訳（メタデータ） (2024-08-31T02:10:04Z)
• A Unifying Perspective on Multi-Calibration: Game Dynamics for Multi-Objective Learning [63.20009081099896]
  マルチキャリブレーション予測器の設計と解析のための統一フレームワークを提供する。 ゲームダイナミクスとの接続を利用して,多様なマルチ校正学習問題に対する最先端の保証を実現する。
  論文  参考訳（メタデータ） (2023-02-21T18:24:17Z)
• Generalized Negative Correlation Learning for Deep Ensembling [7.569288952340753]
  Ensembleアルゴリズムは、多くの機械学習アプリケーションにおいて、最先端のアートパフォーマンスを提供する。 任意の2つの微分可能な損失関数に対する一般化バイアス分散分解を定式化する。 我々は,アンサンブルの多様性を明示的に制御する一般化負相関学習アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-11-05T16:29:22Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)
• Accelerated Convergence for Counterfactual Learning to Rank [65.63997193915257]
  IPS重み付き勾配を持つSGD手法の収束速度は、IPS重みによる大きなばらつきに悩まされることを示す。 本稿では,従来のIPS重み付け勾配降下法よりも優れた収束性を有する新しい学習アルゴリズムであるCounterSampleを提案する。 我々は、CounterSampleがより早く収束し、理論的な結果と経験的な結果とを補完することを証明する。
  論文  参考訳（メタデータ） (2020-05-21T12:53:36Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)

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。