論文の概要: When Does Synthetic Data Augmentation Improve Score-Based Imbalanced Classification?
- arxiv url: http://arxiv.org/abs/2606.26053v1
- Date: Wed, 24 Jun 2026 17:30:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.40336
- Title: When Does Synthetic Data Augmentation Improve Score-Based Imbalanced Classification?
- Title（参考訳）: 合成データ拡張はスコアベース不均衡分類を改善するか?
- Abstract要約: 本稿では,合成マイノリティ向上がしきい値積分およびしきい値最適化の指標を改善する際の特徴付けフレームワークを開発する。
増分効果は, 有効クラス重み付けの変化と, 合成分布と真のマイノリティ分布の相違の2つの成分に分ける。
近似誤差,有限サンプル推定誤差,合成分布誤差の役割を定量化する明示的な改善境界を提供する。
- 参考スコア（独自算出の注目度）: 4.850565550043597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic data augmentation is widely used to mitigate class imbalance, but its theoretical effects on score-based classification remain poorly understood. This paper develops a framework for characterizing when synthetic minority augmentation can improve threshold-integrated and threshold-optimized metrics, including AUROC, AUPRC, best-threshold balanced accuracy, and best-threshold \(\F_1\) score. We separate the effect of augmentation into two components: a change in effective class weighting and a discrepancy between the synthetic and true minority distributions. Under well-specified score models, the raw estimator already targets the likelihood-ratio ordering, which is population-optimal for the metrics considered. Consequently, augmentation cannot provide a fundamental population-level improvement beyond possible finite-sample variance reduction, and may introduce additional bias through synthetic distributional error. We further establish minimax lower bounds showing that the raw estimator already achieves the optimal metric-regret rate in the well-specified regime. Under misspecification, however, augmentation can play a qualitatively different role: by changing the effective class balance, it can alter the restricted-class projection and correct ranking errors induced by the raw imbalanced objective. We provide explicit improvement bounds quantifying the roles of approximation error, finite-sample estimation error, and synthetic distributional error. Simulation studies corroborate the theory, demonstrating limited gains under well-specification and nontrivial but nonmonotone improvements under misspecification.
- Abstract（参考訳）: 合成データの増大は、クラス不均衡を軽減するために広く利用されているが、スコアベースの分類に対する理論的影響はよく分かっていない。
本稿では, AUROC, AUPRC, best-threshold balanced accuracy, best-threshold \(\F_1\)スコアなど,合成マイノリティ増強がしきい値統合およびしきい値最適化の指標を改善するためのフレームワークを開発する。
増分効果は, 有効クラス重み付けの変化と, 合成分布と真のマイノリティ分布の相違の2つの成分に分ける。
厳密なスコアモデルの下では、生推定器は、検討された指標に最適な確率比の順序付けを既にターゲットとしている。
その結果、人口増加は有限サンプル分散還元以上の基本的な人口水準の改善をもたらすことができず、合成分布誤差によってさらなるバイアスをもたらす可能性がある。
さらに, 原推定器が, 適切に特定された状態において, 最適な計量-回帰速度をすでに達成していることを示す, ミニマックス下限を定めている。
効果的なクラスバランスを変更することで、制限されたクラスプロジェクションを変更し、生の不均衡な目的によって引き起こされるランキングエラーを修正することができる。
近似誤差,有限サンプル推定誤差,合成分布誤差の役割を定量化する明示的な改善境界を提供する。
シミュレーション研究は、よく特定された条件下での限られた利得と、不特定な条件下での非単調な改善を証明し、理論を裏付ける。
関連論文リスト
- Improving Machine Learning Performance with Synthetic Augmentation [0.0]
我々は、効果的なトレーニング分布の修正として、合成増強を形式化する。
追加のサンプルは推定誤差を減少させるが、人口目標をシフトさせることもできる。
合成増強は分散支配体制においてのみ有用であることを示す。
希少な登録ターゲティングは、ドメイン固有のメトリクスを改善することができるが、無条件の置換推論と矛盾する可能性がある。
論文 参考訳（メタデータ） (2026-04-16T00:23:01Z) - Synthetic Augmentation in Imbalanced Learning: When It Helps, When It Hurts, and How Much to Add [4.735371232176844]
不均衡学習における合成強化のための統一統計フレームワークを開発する。
局所対称性」体制では、不均衡はバランスの取れた最適値に近い誤差の主原因ではない。
最適な合成サイズは、ジェネレータの精度と、ジェネレータの残留ミスマッチが固有のマイノリティシフトと方向整合しているかどうかに依存する。
論文 参考訳（メタデータ） (2026-01-22T17:15:26Z) - What Does It Take to Build a Performant Selective Classifier? [30.90225954725644]
ベイズノイズ,近似誤差,ランキング誤差,統計的ノイズ,実装またはシフト誘起スラックについて検討した。
我々は,合成2モードデータと実世界のビジョンと言語ベンチマークを用いて,その分解を検証した。
その結果, (i)ベイズノイズとモデル容量の制限は, 実質的なギャップを考慮し, (ii) よりリッチで特徴を考慮したキャリブレータのみを有意義に改善し, (iii) データシフトは, 分散的に堅牢なトレーニングを必要とするスラックを別々に導入することを確認した。
論文 参考訳（メタデータ） (2025-10-23T05:48:40Z) - Regularizing Extrapolation in Causal Inference [12.057981453189505]
我々は外挿のレベルを直接罰する統一的な枠組みを提案する。
最悪の外挿誤差を導出し、新しい「バイアスバイアス分散」トレードオフを導入する。
論文 参考訳（メタデータ） (2025-09-21T18:05:15Z) - Shift Before You Learn: Enabling Low-Rank Representations in Reinforcement Learning [56.87989363424]
シフトした後継尺度において,低ランク構造が自然に現れることを示す。
有効な低ランク近似と推定に必要なシフトの量を定量化する。
論文 参考訳（メタデータ） (2025-09-05T15:48:20Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。
本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
論文 参考訳（メタデータ） (2024-10-01T04:27:07Z) - C-Learner: Constrained Learning for Causal Inference [4.370964009390564]
本稿では,両世界の最適な重み付けを実現し,安定したプラグイン推定を実現する新しいデバイアス化手法を提案する。
我々の制約学習フレームワークは、プラグイン量に対する一階誤差がゼロであるという制約の下で、最高のプラグイン推定器を解く。
論文 参考訳（メタデータ） (2024-05-15T16:38:28Z) - Optimizing Class-Level Probability Reweighting Coefficients for Equitable Prompting Accuracy [12.287692969438169]
LLMは、事前訓練されたデータの統計正則性からのバイアスをしばしば発見する。
これは、分類とQAにおいて、永続的で不均一なクラス精度をもたらす。
本研究では,非微分不可能な性能駆動メトリクスを直接最適化するポストホック確率再重み付け手法を開発した。
論文 参考訳（メタデータ） (2024-05-13T10:30:33Z) - Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。
トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。
不均衡回帰タスクを解くために階層型分類器を構築することを提案する。
不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
論文 参考訳（メタデータ） (2023-10-26T04:54:39Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳（メタデータ） (2023-05-17T17:47:19Z) - 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)
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。