論文の概要: DADIR: Density-Aware Data-level Imbalanced Regression Framework

• arxiv url: http://arxiv.org/abs/2607.17178v1
• Date: Sun, 19 Jul 2026 10:23:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.387277
• Title: DADIR: Density-Aware Data-level Imbalanced Regression Framework
• Title（参考訳）: DADIR: 密度対応型データレベル不均衡回帰フレームワーク
• Abstract要約: DADIRは密度認識型データレベル不均衡回帰フレームワークである。 バランスの過程を通して密度情報を利用する。 少数地域をより効果的に識別し、疎地域情報を保存し、リアルな合成データを生成する。
• 参考スコア（独自算出の注目度）: 1.3700362496838856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imbalanced learning addresses predictive modeling problems with underrepresented regions of the data distribution. Although widely studied in classification, imbalanced regression remains challenging because of continuous target variables and heterogeneous density distributions. Existing data-level methods often rely on fixed target partitioning or synthetic sample generation without jointly considering density variations and local feature-space structure. We propose DADIR, a Density-Aware Data-level Imbalanced Regression framework that exploits density information throughout the balancing process. DADIR comprises three components: (1) Density-Aware Adaptive Partitioning (DAAP), which recursively partitions the target space according to density variations; (2) a Density-Regularized Conditional Variational Autoencoder (DR-CVAE), which preserves sparse-region representations while learning latent features; and (3) latent-space data balancing, which combines feature-level clustering with oversampling to generate structurally consistent synthetic samples. Together, these components identify minority regions more effectively, preserve sparse-region information, and generate realistic synthetic data. The resulting balanced dataset can be used directly with existing regression models without modifying their architecture or learning objective. Experiments on diverse imbalanced regression datasets demonstrate consistent improvements in predictive performance, particularly in underrepresented regions, while also improving overall accuracy.
• Abstract（参考訳）: 不均衡学習は、データ分布の未表現領域における予測モデリングの問題に対処する。 分類学において広く研究されているが、連続目標変数と不均一密度分布のため、不均衡回帰は依然として困難である。 既存のデータレベルの手法は、密度の変動や局所的な特徴空間構造を考慮せずに、固定されたターゲット分割や合成サンプル生成に依存していることが多い。 DADIRは、分散処理全体を通して密度情報を利用する密度対応データレベル不均衡回帰フレームワークである。 DADIRは,(1)密度変化に応じてターゲット空間を再帰的に分割する密度適応分割(DAAP),(2)相対的特徴を学習しながらスパース領域表現を保存する密度正規化条件変分自動エンコーダ(DR-CVAE),(3)特徴レベルのクラスタリングとオーバーサンプリングを組み合わせた潜在空間データバランシングと,構造的に一貫した合成サンプルを生成する。 これらのコンポーネントは、マイノリティ領域をより効果的に識別し、スパース領域情報を保存し、リアルな合成データを生成する。 結果として得られたバランスの取れたデータセットは、アーキテクチャや学習目標を変更することなく、既存の回帰モデルと直接的に使用することができる。 多様な不均衡回帰データセットの実験は、予測性能、特に未表現領域において一貫した改善を示し、全体的な精度も向上した。

関連論文リスト

• Geometry-Aware Dataset Condensation for Diffusion Model Training [103.45641113998839]
  幾何学的分布アライメント問題として,実部分集合選択を再構成することを提案する。 本手法は,一方的な部分的最適輸送を組み込むことで,コンパクトな部分集合を全データ分布に選択的に整列させる。 拡散変形, 部分集合サイズ, 画像解像度, 訓練ラウンドにおける実験により, 本手法が優れた忠実度と分布範囲を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-04T08:53:58Z)
• Hybrid Imbalanced Regression Through Unified Data-Level and Algorithm-Level Balancing [1.3700362496838856]
  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。
  論文  参考訳（メタデータ） (2026-05-31T13:13:10Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• Rare-Aware Autoencoding: Reconstructing Spatially Imbalanced Data [49.13338489780734]
  オートエンコーダは、空間的に一様でない画像内容のサンプリングによって挑戦できる。 実際には、オートエンコーダは支配的なパターンに偏り、細かな細部が失われる。 空間的不均衡を2つの相補的成分: (i) 統計的に珍しい空間的位置の重み付けを行う自己エントロピーに基づく損失によって解決する。
  論文  参考訳（メタデータ） (2026-04-02T13:38:29Z)
• Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
  最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。 OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。 提案手法は, 常に最先端の手法を効率よく上回っている。
  論文  参考訳（メタデータ） (2025-11-29T04:04:05Z)
• More Data or Better Algorithms: Latent Diffusion Augmentation for Deep Imbalanced Regression [0.0]
  多くの実世界の回帰タスクでは、データ分布は著しく歪められ、モデルは大多数のサンプルから主に学習される。 このフレームワークは、優先度ベース生成を用いた条件拡散モデルを用いて、遅延表現空間における高品質な特徴を合成する。 3つのDIRベンチマークの実験は、全体の精度を維持しながら少数地域の大幅な改善を示している。
  論文  参考訳（メタデータ） (2025-09-27T10:44:28Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Hyperbolic Dataset Distillation [44.63243875072762]
  本稿では,新しいハイパーボリックデータセット蒸留法を提案する。 ハイパーボリック空間におけるプルーニングは, モデル性能を維持するため, 蒸留コアセットの20%しか必要としないことがわかった。 これは、双曲空間をデータセット蒸留プロセスに組み込む最初の研究である。
  論文  参考訳（メタデータ） (2025-05-30T14:14:00Z)
• SMOGAN: Synthetic Minority Oversampling with GAN Refinement for Imbalanced Regression [0.0]
  不均衡回帰とは、ターゲット変数が歪んだ予測タスクを指す。 この歪みは、高密度領域に集中する機械学習モデル、特にニューラルネットワークを妨げる。 不均衡回帰のための2段階オーバーサンプリングフレームワークであるSMOGANを提案する。
  論文  参考訳（メタデータ） (2025-04-29T20:15:25Z)
• Local distribution-based adaptive oversampling for imbalanced regression [0.0]
  不均衡回帰は、連続目標変数が歪んだ分布を持ち、スパース領域を生成するときに起こる。 LDAO(Local Distribution-based Adaptive Oversampling, 局所分布に基づく適応オーバーサンプリング)を提案する。 LDAOは、各局所分布に固有の統計構造を保持しながら、目標範囲全体にわたってバランスの取れた表現を実現する。
  論文  参考訳（メタデータ） (2025-04-19T14:36:41Z)
• 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)

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。