論文の概要: When, Where, and How: Adaptive Binning for Tabular Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2606.19827v1
• Date: Thu, 18 Jun 2026 06:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.67886
• Title: When, Where, and How: Adaptive Binning for Tabular Self-Supervised Learning
• Title（参考訳）: タブラル・セルフ・スーパーバイザード・ラーニングのための適応的バインディング
• Authors: Daehwan Kim, Haejun Chung, Ikbeom Jang,
• Abstract要約: 自己教師型学習は、医学研究においてラベルのない表を利用することができる。 最近のビンニングに基づく述語は有望な帰納バイアスを与えるが、既存の目的は単一のグローバルな量子的離散化を固定する。 本稿では,特徴量的に粗いカリキュラムを通した離散化と学習を両立させる学習適応型離散化プレテキストであるAdaptive Binningを提案する。
• 参考スコア（独自算出の注目度）: 4.300307544233363
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical tabular data are ubiquitous in clinical research, but deep learning for tables remains underexplored because reliable labels often require costly expert adjudication, even though structured clinical variables are routinely available in tabular form. Self-supervised learning can leverage these unlabeled tables, and recent binning-based pretexts offer a promising inductive bias, but existing objectives fix a single global quantile discretization and apply feature-agnostic supervision. We propose Adaptive Binning, a training-adaptive discretization pretext for tabular SSL that couples discretization to learning through a feature-wise coarse-to-fine curriculum. Motivated by the spectral bias of neural networks and the principles of curriculum learning, our method progressively refines discretization per feature upon plateau detection and selects representation-aware splits to jointly improve value-space concentration and representation-space coherence. A heterogeneity-aware objective unifies categorical reconstruction with ordinal supervision for numerical features, and experiments on public medical tabular datasets under unified evaluation protocols show consistent gains for linear probing and fine-tuning without dataset-specific discretization tuning. We further introduce a medical tabular SSL benchmark with standardized protocols to support reproducible progress in this underexplored domain. Our code is available at https://github.com/labhai/Adaptive-Binning.
• Abstract（参考訳）: 医用表表データは臨床研究において広く使われているが、信頼性の高いラベルは、表形式で定期的に利用可能な構造的臨床変数であっても、高価な専門家の判断を必要とすることが多いため、表の深層学習はいまだに探索されていない。 自己教師付き学習は、これらのラベルのないテーブルを活用でき、最近のバイナリベースの前提文は、有望な帰納的バイアスを与えるが、既存の目的は単一のグローバルな量子的離散化を修正し、特徴に依存しない監視を適用する。 本稿では,タブ型SSLのためのトレーニング適応型離散化プリテキストであるAdaptive Binningを提案する。 ニューラルネットワークのスペクトルバイアスとカリキュラム学習の原理に触発された本手法は,プラトー検出時に特徴ごとの離散化を段階的に洗練し,表現認識分割を選択して,価値空間濃度と表現空間コヒーレンスを協調的に改善する。 不均一性を考慮した目的は、数値的特徴の順序的監督を伴う分類的再構築を統一し、統一された評価プロトコルの下での公衆医療用表状データセットの実験は、データセット固有の離散化チューニングなしで線形探索と微調整の一貫性のあるゲインを示す。 さらに、この未探索領域における再現性向上をサポートするための標準化されたプロトコルを備えた医療用表型SSLベンチマークを導入する。 私たちのコードはhttps://github.com/labhai/Adaptive-Binning.comで利用可能です。

関連論文リスト

• Retrieval-aligned Tabular Foundation Models Enable Robust Clinical Risk Prediction in Electronic Health Records Under Real-world Constraints [6.949977336110437]
  古典的, 深層的, TICLのモデルを, 様々なデータスケールで比較したベンチマークを示す。 教師付き埋め込み学習と軽量アダプタを用いたタスク整合型検索フレームワークAWAREを提案する。
  論文  参考訳（メタデータ） (2026-04-02T09:56:17Z)
• Dense Feature Learning via Linear Structure Preservation in Medical Data [30.77691570199694]
  医学データのためのディープラーニングモデルは、典型的には、少数の識別方向への表現の崩壊を促すタスク固有の目的を用いて訓練される。 医用埋め込みの線形構造を明示的に形成する表現中心型フレームワークである高密度特徴学習を提案する。
  論文  参考訳（メタデータ） (2026-02-07T21:23:35Z)
• AgentScore: Autoformulation of Deployable Clinical Scoring Systems [45.88028371034407]
  本稿では,単位重み付き臨床チェックリストのセマンティックガイドによる最適化を行うAgentScoreを紹介する。 AgentScoreは既存のスコア生成方法より優れており、より柔軟な解釈可能なモデルに匹敵するAUCを実現している。 さらに2つの外部検証タスクにおいて、AgentScoreは、確立されたガイドラインベースのスコアよりも高い差別を達成する。
  論文  参考訳（メタデータ） (2026-01-29T21:11:06Z)
• Contrastive Learning for Semi-Supervised Deep Regression with Generalized Ordinal Rankings from Spectral Seriation [18.192043514568187]
  我々は、半教師付き設定でラベルのないデータを使用できるように、コントラスト回帰法を拡張した。 提案手法は,既存の半教師付き深層回帰法を超越することができる。
  論文  参考訳（メタデータ） (2025-12-10T02:45:23Z)
• Patient-level Information Extraction by Consistent Integration of Textual and Tabular Evidence with Bayesian Networks [4.993537302467224]
  本稿では,専門家インフォームドベイズネットワークを用いたマルチモーダル患者レベルの情報抽出手法を提案する。 本稿では,モデルの予測を解釈可能かつ確率的に融合させるために,一貫性ノードを付加した仮想エビデンスを提案する。 提案手法の有効性をSimSUMデータセットに示す。
  論文  参考訳（メタデータ） (2025-11-21T08:59:42Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• Is margin all you need? An extensive empirical study of active learning on tabular data [66.18464006872345]
  我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。 意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
  論文  参考訳（メタデータ） (2022-10-07T21:18:24Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)

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。