論文の概要: Hybrid Imbalanced Regression Through Unified Data-Level and Algorithm-Level Balancing

• arxiv url: http://arxiv.org/abs/2606.01221v1
• Date: Sun, 31 May 2026 13:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.39339
• Title: Hybrid Imbalanced Regression Through Unified Data-Level and Algorithm-Level Balancing
• Title（参考訳）: 統一データレベルとアルゴリズムレベルバランシングによるハイブリッド不均衡回帰
• Authors: Shermin Shahbazi, Hossein Mohammadi, Mohsen Afsharchi,
• Abstract要約: 不均衡学習は機械学習において重要な課題であり、未表現のターゲット値がバイアスモデルになり、稀だが重要なケースで予測性能が低下する可能性がある。 我々は,データレベルのバランス戦略とアルゴリズムレベルのバランス戦略の両方を回帰型パイプラインに統合する統合ハイブリッドフレームワークを提案する。 ベンチマークデータセットによる実験結果から,提案フレームワークは独立回帰器や既存不均衡回帰手法と比較して予測性能を一貫して向上することが示された。
• 参考スコア（独自算出の注目度）: 1.3700362496838856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imbalanced learning is a critical challenge in machine learning, where underrepresented target values can bias models and degrade prediction performance on rare but important cases. Although extensively studied in classification, imbalanced regression remains relatively underexplored. Existing methods mainly focus on either data-level balancing, which may introduce noise and overfitting, or algorithm-level balancing, which often struggles with highly complex target distributions. To address these limitations, we propose a unified hybrid framework that integrates both data- and algorithm-level balancing strategies into a regressor-agnostic pipeline. The proposed framework consists of five stages: (1) adaptive bin partitioning to dynamically segment the target space based on local linear coherence; (2) target-conditioned representation learning using a Conditional Variational Autoencoder; (3) multistage data-level balancing through feature-space clustering and oversampling of minority clusters; (4) algorithm-level balancing using a novel Latent-Density Weighted Loss (LDWL) to emphasize rare samples in latent and target spaces; and (5) attention-based gated fusion for final regression. Experimental results on benchmark datasets demonstrate that the proposed framework consistently improves predictive performance compared to standalone regressors and existing imbalanced regression approaches.
• Abstract（参考訳）: 不均衡学習は機械学習において重要な課題であり、未表現のターゲット値がバイアスモデルになり、稀だが重要なケースで予測性能が低下する可能性がある。 分類学において広く研究されているが、不均衡回帰は比較的過小評価されている。 既存の手法は主に、ノイズや過度に適合するデータレベルのバランスや、複雑なターゲット分布に苦しむアルゴリズムレベルのバランスに重点を置いている。 これらの制約に対処するため、データレベルのバランス戦略とアルゴリズムレベルのバランス戦略の両方を回帰器に依存しないパイプラインに統合する統合ハイブリッドフレームワークを提案する。 提案フレームワークは,(1) 局所線形コヒーレンスに基づいてターゲット空間を動的に分割する適応的なビン分割,(2) 条件付き変分オートエンコーダを用いた目標条件付き表現学習,(3) 特徴空間クラスタリングとマイノリティクラスタのオーバーサンプリングによる多段階データレベルのバランス,(4) 遅延重み付き損失(LDWL)を用いたアルゴリズムレベルのバランス,(5) 最終回帰のための注意に基づくゲート融合の5段階からなる。 ベンチマークデータセットによる実験結果から,提案フレームワークは独立回帰器や既存不均衡回帰手法と比較して予測性能を一貫して向上することが示された。

関連論文リスト

• CART-based Synthetic Tabular Data Generation for Imbalanced Regression [1.342834401139078]
  我々は、既存のCARTベースの合成データ生成手法を適応させ、不均衡回帰に適合させることを提案する。 本手法は, 対象空間のスパース領域におけるサンプリングを誘導するための関連性および密度に基づくメカニズムを統合する。 本実験は,ベンチマークデータセット間での極端目標値の予測に焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-03T12:42:20Z)
• Class-Conditional Distribution Balancing for Group Robust Classification [11.525201208566925]
  間違った理由からモデルが正しい予測に導かれるような豪華な相関関係は、堅牢な現実世界の一般化にとって重要な課題である。 クラス-条件分布における不均衡やミスマッチとして、突発的な相関を緩和することで、新しい視点を提供する。 本稿では,バイアスアノテーションと予測の両方を必要としない,シンプルで効果的な頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2025-04-24T07:15:53Z)
• 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)
• Error Distribution Smoothing:Advancing Low-Dimensional Imbalanced Regression [2.435853975142516]
  実世界の回帰タスクでは、データセットは頻繁に不均衡な分布を示し、その特徴は、高複雑さ領域におけるデータの不足と低複雑さ領域における量の不足である。 データ密度のみに焦点をあてる従来の定義を超えて、問題の複雑さとデータポイントの密度の両方を考慮に入れた「不均衡回帰」という新しい概念を導入する。 本研究では,不均衡な回帰に対処するための解として誤り分布平滑化(EDS)を提案し,バランスと代表性を保ちながら,データセットから代表サブセットを効果的に選択し冗長性を低減する。
  論文  参考訳（メタデータ） (2025-02-04T12:40:07Z)
• Histogram Approaches for Imbalanced Data Streams Regression [1.8385275253826225]
  不均衡なドメインは、特に回帰の文脈において、現実世界の予測分析において重要な課題となる。 本研究では,この制約を克服するためのヒストグラムに基づくサンプリング手法を提案する。 合成および実世界のベンチマークに関する総合的な実験により、HistUSとHistOSは稀な予測精度を大幅に改善した。
  論文  参考訳（メタデータ） (2025-01-29T11:03:02Z)
• Energy Score-based Pseudo-Label Filtering and Adaptive Loss for Imbalanced Semi-supervised SAR target recognition [1.2035771704626825]
  既存の半教師付きSAR ATRアルゴリズムは、クラス不均衡の場合、認識精度が低い。 この研究は、動的エネルギースコアと適応損失を用いた非平衡半教師付きSAR目標認識手法を提供する。
  論文  参考訳（メタデータ） (2024-11-06T14:45:16Z)
• 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)
• Integrating Local Real Data with Global Gradient Prototypes for Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
  フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。 データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。 本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
  論文  参考訳（メタデータ） (2023-01-25T03:18:10Z)
• Causal Balancing for Domain Generalization [95.97046583437145]
  そこで本研究では,観察されたトレーニング分布の領域特異的なスプリアス相関を低減するために,バランスの取れたミニバッチサンプリング戦略を提案する。 本研究では, 突発性源の同定可能性を保証するとともに, バランスの取れた, 突発性のない分布から, 提案手法が有効にサンプリング可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-10T17:59:11Z)
• 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。