論文の概要: A Leakage-Free Stacked Ensemble Method for Multiclass Classification

• arxiv url: http://arxiv.org/abs/2607.22081v1
• Date: Fri, 24 Jul 2026 08:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.08286
• Title: A Leakage-Free Stacked Ensemble Method for Multiclass Classification
• Title（参考訳）: 多クラス分類のための漏れのないスタック化アンサンブル法
• Abstract要約: 本稿では,ロバストなマルチクラス分類のための関数学習とルールベース学習を統合したLeakage-Free Stackedアンサンブルフレームワークを提案する。 このフレームワークは、トレーニングとバリデーションデータの完全な分離を保証するために、厳格なアウト・オブ・フォールド・スタック戦略を使用することで、バイアスのないメタ機能を構築する。 マルチクラスデータセットの実験的評価は、LFS-FRAMEがパフォーマンス指標を改善することを示す。
• 参考スコア（独自算出の注目度）: 1.1090533263502935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiclass classification is a fundamental problem across a wide range of domains. It is still challenging due to possession of high inter-class similarity, class imbalance datasets, and variability in data distributions. Rule-based classifiers such as XGBoost often achieve stronger performance on structured features, but they are limited in capturing smooth functional relationships among variables. Similarly, neural network models can represent complex nonlinear interactions but frequently suffer from overfitting and generalization issues. To address these limitations, we propose LFS-FRAME, a Leakage-Free Stacked ensemble framework that integrates functional learning using Kolmogorov-Arnold Networks (KAN) and rule-based learning via XGBoost for robust multiclass classification. The proposed framework constructs unbiased meta-features by employing a strict out-of-fold stacking strategy to ensure complete isolation between training and validation data hence preventing performance leakage. By learning over probabilistic outputs from heterogeneous base learners, the meta-classifier effectively exploits both global functional patterns and sharp decision boundaries present in the complex data. Experimental evaluations on multi-class datasets demonstrate that LFS-FRAME improves performance metrics, and overall accuracy is 89.85% in identifying major families and 81.74% in identifying sub-families relative to strong single-model baselines. These results highlight the effectiveness of leakage-free functional and rule-based stacking for reliable and generalizable multiclass classification.
• Abstract（参考訳）: マルチクラス分類は、幅広い領域にまたがる根本的な問題である。 高いクラス間類似性、クラス不均衡データセット、データ分散の変動性といった理由から、いまだに困難である。 XGBoostのようなルールベースの分類器は、しばしば構造化された特徴に対してより強力なパフォーマンスを達成するが、変数間のスムーズな機能的関係を捉えることに制限される。 同様に、ニューラルネットワークモデルは複雑な非線形相互作用を表現できるが、オーバーフィットや一般化の問題にしばしば悩まされる。 これらの制約に対処するために,LFS-FRAMEを提案する。LFS-FRAMEは,KAN(Kolmogorov-Arnold Networks)を用いた関数型学習と,XGBoostによる規則型学習を統合し,堅牢なマルチクラス分類を実現する。 提案フレームワークは、厳格なアウト・オブ・フォールド・スタック戦略を用いて、トレーニングとバリデーションデータの完全な分離を保証することにより、パフォーマンスの漏洩を防止することで、バイアスのないメタ機能を構築する。 不均一な基礎学習者からの確率的出力を学習することにより、メタ分類器は、複素データに存在する大域的機能パターンと鋭い決定境界の両方を効果的に活用する。 マルチクラスのデータセットに対する実験的評価では、LFS-FRAMEはパフォーマンスの指標を改善し、全体的な精度はメジャーファミリーを識別する89.85%、強力なシングルモデルベースラインに対してサブファミリーを識別する81.74%である。 これらの結果は、信頼性と一般化可能なマルチクラス分類におけるリークフリー機能およびルールベーススタックの有効性を浮き彫りにした。

関連論文リスト

• FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning [2.750124853532831]
  ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-21T17:51:58Z)
• i-IF-Learn: Iterative Feature Selection and Unsupervised Learning for High-Dimensional Complex Data [5.761834753104483]
  i-IF-Learnは、機能選択とクラスタリングを共同で実行する教師なしのフレームワークである。 我々の中心となる革新は、擬似ラベル監視と教師なし信号とを効果的に組み合わせた適応的特徴選択統計である。 遺伝子マイクロアレイと単細胞RNA-seqデータセットの実験により、i-IF-Learnは古典的および深層クラスタリングベースラインを著しく超えることが示された。
  論文  参考訳（メタデータ） (2026-03-25T07:35:38Z)
• You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
  DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。 本手法は, クラスタリング性能を効果的に向上することを目的としている。
  論文  参考訳（メタデータ） (2025-11-26T09:16:36Z)
• CKAA: Cross-subspace Knowledge Alignment and Aggregation for Robust Continual Learning [80.18781219542016]
  継続的学習(CL)は、シーケンシャルなタスクストリームから継続的に学習するAIモデルに権限を与える。 近年,パラメータ効率のよい微調整(PEFT)によるCL法が注目されている。 ミスリード型タスクIDに対するロバスト性を高めるために,クロスサブスペース・ナレッジアライメント・アグリゲーション(CKAA)を提案する。
  論文  参考訳（メタデータ） (2025-07-13T03:11:35Z)
• Intelligently Augmented Contrastive Tensor Factorization: Empowering Multi-dimensional Time Series Classification in Low-Data Environments [4.77513566805416]
  我々は、多機能でデータ効率のよいフレームワークITA-CTF(Intelligently Augmented Contrastive Factorization)を提案する。 ITA-CTFモジュールは多次元時系列から効率的な表現を学習する。 類似性学習とクラス認識に対する新しい対照的な損失最適化が組み込まれている。 標準およびいくつかのDLベンチマークと比較して、注目すべきパフォーマンス改善は18.7%に達した。
  論文  参考訳（メタデータ） (2025-05-03T11:28:13Z)
• Long-Tailed Classification Based on Coarse-Grained Leading Forest and Multi-Center Loss [20.10399273585125]
  Long-tailed (LT) 分類は、現実世界では避けられない問題であり、困難な問題である。 不変特徴学習を用いて多粒度分類モデルを構築することを目的とした,新しい長鎖分類フレームワークを提案する。 提案手法は既存のベンチマークである ImageNet-GLT と MSCOCO-GLT の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-10-12T10:51:23Z)
• Extension of Transformational Machine Learning: Classification Problems [0.0]
  本研究では、薬物発見における変換機械学習(TML)の適用と性能について検討する。 メタ学習アルゴリズムであるTMLは、さまざまなドメインにまたがる共通属性の活用に優れています。 薬物発見プロセスは複雑で時間を要するが、予測精度の増大から大きな恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-08-07T07:34:18Z)
• FaFCNN: A General Disease Classification Framework Based on Feature Fusion Neural Networks [4.097623533226476]
  本稿では,機能認識型統合相関ニューラルネットワーク (FaFCNN) を提案する。 実験結果から,事前学習による強化特徴を用いた訓練により,無作為森林法よりも高い性能向上が得られた。
  論文  参考訳（メタデータ） (2023-07-24T04:23:08Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
  本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。 提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
  論文  参考訳（メタデータ） (2021-06-16T15:38:13Z)

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。