Fugu-MT 論文翻訳(概要): RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification

論文の概要: RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification

arxiv url: http://arxiv.org/abs/2607.09816v1
Date: Fri, 10 Jul 2026 06:37:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 15:40:48.205412
Title: RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification
Title（参考訳）: RUBRIC:非均衡分類のための現実主義-ユーティリティバランスランキング
Abstract要約: クラス不均衡は、詐欺検出や診断などのリスクに敏感なアプリケーションにおいて、根本的な課題となる。そこで, RUBRICは, 合成試料選択を品質/周波数最適化問題として定式化する, ジェネレータに依存しないフィルタリングフレームワークである。 RUBRICはF1マクロとリコールを改善しつつ,複数のジェネレータ間で同等のROC-AUCを維持していることを示す。
参考スコア（独自算出の注目度）: 38.8278639079174
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Class imbalance poses a fundamental challenge in risk-sensitive applications such as fraud detection and medical diagnosis, where minority-class samples are scarce yet critical for accurate classification. Existing oversampling methods generate synthetic samples to rebalance class distributions; however, they often produce large numbers of low-quality candidates that distort decision boundaries or introduce artifacts, leading to overfitting and degraded generalization. In this work, we introduce RUBRIC, a generator-agnostic filtering framework that formulates synthetic sample selection as a quality-over-quantity optimization problem. RUBRIC ranks candidates using a realism-utility trade-off: realism is quantified by a learned discriminator that distinguishes real samples from synthetic samples, while utility captures proximity to the decision boundary through a concave margin-based scoring function. We show that, under mild regularity conditions, the proposed filtering strategy monotonically tightens the generalization bound for margin-based classifiers by jointly reducing distribution shift and suppressing near-negative tail contributions. Through extensive experiments on credit-card fraud detection and other imbalanced benchmarks, we demonstrate that RUBRIC improves F1-macro and recall while maintaining comparable ROC-AUC across several generators. We also provide explicit lambda-sensitivity analysis to show how users can recover AUPRC when ranking quality is prioritized.
Abstract（参考訳）: クラス不均衡は、不正検出や医療診断のようなリスクに敏感なアプリケーションにおいて基本的な課題であり、少数派クラスのサンプルは正確な分類には不十分である。既存のオーバーサンプリング法は、クラス分布を再均衡させるために合成サンプルを生成するが、多くの場合、決定境界を歪ませたり、アーティファクトを導入したりするような低品質な候補を多数生成し、過度に適合し、分解された一般化をもたらす。本研究では, 合成試料選択を品質/周波数最適化問題として定式化する生成非依存フィルタリングフレームワークRUBRICを紹介する。現実主義は、学習した判別器によって定量化され、実際のサンプルと合成サンプルを区別する一方、実用性は、凹凸マージンに基づくスコアリング機能によって決定境界に近接する。軽度規則性条件下では, フィルタ手法は分布シフトを共同で低減し, ほぼ負の尾の寄与を抑えることにより, マージン型分類器の一般化を単調に強化することを示した。クレジットカード不正検出やその他の不均衡なベンチマークに関する広範な実験を通じて、RUBRICはF1マクロとリコールを改善しつつ、複数のジェネレータ間で同等のROC-AUCを維持していることを示す。また、ランク付け品質が優先された時にAUPRCを回復する方法を示すために、明示的なラムダ感度分析も提供する。

関連論文リスト

Robust Conformalized Selection with Noisy Responses [23.306273801765297]
コンフォーマル化された選択は、大規模なデータセットから高品質な候補を選択するために広く適用されてきた。我々は、上記のタスクを、真の予測ラベルを持つ候補を選択するか、特定の値を超える応答を持つものとして定式化する。本稿では,汎用ラベル汚染下での有効なFDR制御による選択分類のための統合フレームワークであるRobust Conformalized Selection (RCS)を提案する。
論文参考訳（メタデータ） (2026-07-25T01:51:46Z)
QC-SMOTE: Quality-Controlled SMOTE for Imbalanced Classification [11.542407696902115]
QC-SMOTEは、近距離信頼度スコアを用いて、少数サンプル信頼性を推定する。合成候補は、IPQ誘導のベスト・オブ・K戦略を用いて生成される。
論文参考訳（メタデータ） (2026-06-23T14:23:18Z)
VAE-Inf: A statistically interpretable generative paradigm for imbalanced classification [8.677199689027772]
生成的モデリングと識別的分類のギャップを埋める2段階の枠組みを提案する。推論のために、自然な仮説テストの解釈を受け入れるプロジェクションベースのスコアを導入する。様々な実世界のベンチマークの実験は、我々のフレームワークが他のアプローチと競合する性能を達成していることを示している。
論文参考訳（メタデータ） (2026-04-28T07:50:56Z)
From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
論文参考訳（メタデータ） (2026-02-26T15:50:15Z)
Learning Majority-to-Minority Transformations with MMD and Triplet Loss for Imbalanced Classification [0.5390869741300152]
教師付き分類におけるクラス不均衡は、多数派に対する予測をバイアスすることでモデル性能を低下させることが多い。多数サンプルをマイノリティ分布にマッピングするパラメトリック変換を学習するオーバーサンプリングフレームワークを導入する。提案手法は,グローバルアライメントのためのトランスフォーメーションと真のマイノリティサンプル間の平均最大誤差(MMD)を最小化する。
論文参考訳（メタデータ） (2025-09-15T01:47:29Z)
Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
論文参考訳（メタデータ） (2025-07-13T12:56:59Z)
Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
論文参考訳（メタデータ） (2024-02-17T10:34:53Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
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)
Imbalanced Classification via a Tabular Translation GAN [4.864819846886142]
本稿では,多数のサンプルを対応する合成マイノリティ標本にマッピングするために,新たな正規化損失を用いたジェネレーティブ・アドバイサル・ネットワークに基づくモデルを提案する。提案手法は, 再加重法やオーバーサンプリング法と比較して, 平均精度を向上することを示す。
論文参考訳（メタデータ） (2022-04-19T06:02:53Z)
Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。