論文の概要: Mitigating The Effect of Class Imbalance in Data with Hierarchical and Dependable Structure
- arxiv url: http://arxiv.org/abs/2607.11994v1
- Date: Mon, 13 Jul 2026 15:58:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:29.921166
- Title: Mitigating The Effect of Class Imbalance in Data with Hierarchical and Dependable Structure
- Title（参考訳）: 階層構造と従属構造を持つデータにおけるクラス不均衡の影響の緩和
- Abstract要約: Common Weaknession (CWE) 分類を用いたサイバーセキュリティ脆弱性の分類は困難である。
オーバーサンプリング技術は、クラス不均衡を軽減するために広く採用されているが、階層的なCWEテキスト分類に対するその有効性は、明らかにされていない。
本稿では,学習可能な親クラス埋め込みを通じてCWE構造情報を明示的に組み込んだ階層型RoBERTaフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classifying cybersecurity vulnerabilities using the Common Weakness Enumeration (CWE) taxonomy is challenging due to extreme class imbalance and strong hierarchical dependencies among weakness categories. Although oversampling techniques such as Synthetic Minority Oversampling Technique (SMOTE) and Adaptive Synthetic Sampling (ADASYN) are widely adopted to mitigate class imbalance, their effectiveness for hierarchical CWE text classification remains largely unexplored. This paper proposes a Hierarchy-Aware RoBERTa framework that explicitly incorporates CWE structural information through learnable parent-class embeddings, preserving taxonomic consistency. Our experiments demonstrate that synthetic interpolation in high-dimensional embedding spaces violates the inherent parent-child constraints of the CWE hierarchy, offering only marginal benefits for classical ML models while consistently degrading deep learning architectures. Evaluated on a CWE Research Concept dataset, the proposed model achieves a weighted F1-score of 0.76 without data augmentation, outperforming all baselines with notable gains on minority classes, including the Class category whose F1-score improved from 0.40 to 0.60 over the BERT baseline. Our results suggest that hierarchy-aware representation learning is a more principled alternative to oversampling for structured vulnerability classification.
- Abstract（参考訳）: CWE(Common Weakness Enumeration)分類を用いたサイバーセキュリティの脆弱性の分類は、過度の階級不均衡と弱いカテゴリ間の強い階層的依存関係のために困難である。
SMOTE(Synthetic Minority Oversampling Technique)やADASYN(Adaptive Synthetic Smpling)といったオーバーサンプリング技術は、クラス不均衡を軽減するために広く採用されているが、階層的なCWEテキスト分類の有効性は明らかにされていない。
本稿では,学習可能な親クラス埋め込みを通じてCWE構造情報を明示的に組み込んだ階層型RoBERTaフレームワークを提案する。
高次元埋め込み空間における合成補間は、CWE階層の固有の親子制約に反し、古典的MLモデルには限界的な利点しか与えず、深層学習アーキテクチャを一貫して劣化させることが実証された。
CWE Research Conceptデータセットに基づいて、提案モデルはデータ拡張なしで重み付きF1スコアの0.76を達成し、BERTベースラインよりも0.40から0.60に改善されたクラスカテゴリを含む、マイノリティクラスにおいて顕著な利得で全てのベースラインを上回った。
この結果から,階層型表現学習は,構造的脆弱性分類のオーバサンプリングに代えて,より原則的な方法であることが示唆された。
関連論文リスト
- Hierarchical Scaffolding Enables Human-Like Cognitive Selectivity under Data Scarcity [1.5166105038254163]
認知心理学に基づく階層的学習フレームワークであるSCALA(Scaffolded Cognitive Architecture for Learning for limited dAta)を紹介する。
本モデルでは,タスク関連特徴を効果的に優先順位付けし,背景障害を抑えることにより,人間的な認知選択性を示す。
経験的に、SCALAは重度のデータ不足下で大幅に精度が向上した。
論文 参考訳（メタデータ） (2026-07-06T06:24:32Z) - Class-Specific Branch Attention for Mitigating Gradient Interference under Class Imbalance [0.0]
我々は,共有表現におけるクラス間勾配干渉という,相補的な最適化レベルの病理を同定する。
本稿では,分枝特異的チャネル再重み付けによる勾配結合の低減を可能にする軽量な修正型クラス特化分岐注意(CSBA)を提案する。
経験的にCSBAはマイノリティクラスのパフォーマンスを改善し、フィジカル・ダマージュクラスのF1スコアを0.261から0.522に引き上げる。
論文 参考訳（メタデータ） (2026-06-04T06:07:08Z) - Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。
i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。
本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
論文 参考訳（メタデータ） (2026-05-12T08:20:23Z) - CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets [0.0]
本稿では,2つの相補的機構を備えた条件変換器を用いたタブラル変分自動エンコーダであるCTTVAEを紹介する。
CTTVAE+TBSは、トレーニングを不安定にすることなく、より代表的で実用性に整ったサンプルを一貫して得る。
論文 参考訳（メタデータ） (2026-02-03T15:25:26Z) - SynSeg: Feature Synergy for Multi-Category Contrastive Learning in Open-Vocabulary Semantic Segmentation [8.299508030106168]
既存の弱い教師付き手法は、しばしば、カテゴリー固有の監督と、対照的な学習のための不適切な特徴的構築方法に依存している。
本研究では,この課題に対処するために,より弱い教師付きアプローチであるSynSegを提案する。
一般的に、SynSegは、弱い監督下でのセマンティックローカライゼーションと差別の能力を効果的に改善する。
論文 参考訳（メタデータ） (2025-08-08T08:26:41Z) - NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。
提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。
実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-06-11T06:59:17Z) - Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。
本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。
本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文 参考訳（メタデータ） (2025-03-28T07:23:07Z) - Enforcing Consistency and Fairness in Multi-level Hierarchical Classification with a Mask-based Output Layer [25.819440955594736]
分類を強制し、一貫性、公正性、正確な一致を含む目的を最適化するために設計された公正でモデルに依存しないレイヤを導入します。
評価の結果,提案した層は予測の公平性を向上するだけでなく,分類を強制し,一貫した予測と優れた性能をもたらすことが示された。
論文 参考訳（メタデータ） (2025-03-19T06:30:04Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。
新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。
本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文 参考訳（メタデータ） (2021-11-18T06:58:19Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z)
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。