論文の概要: Enhancing Automated Machine Learning via Homogeneous Train-Test Splitting Methods

• arxiv url: http://arxiv.org/abs/2607.26625v1
• Date: Wed, 29 Jul 2026 08:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.585145
• Title: Enhancing Automated Machine Learning via Homogeneous Train-Test Splitting Methods
• Title（参考訳）: 均質な列車試験分割手法による自動機械学習の強化
• Abstract要約: 本稿では,列車-テスト分割における統計的類似性の役割とそのAutoMLモデル評価への応用について検討する。 類似性はchi-square, Kolmogorov-Smirnov, Maximum Mean Discrepancy (MMD) を用いて評価される。 提案手法は, 類似性を明示的な最適化目標として扱い, 評価された全ての戦略において, 平均MDD類似度89.0%を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate model evaluation in machine learning depends critically on how datasets are split into training and testing subsets. Standard random splitting assumes that both partitions share the same underlying distribution, an assumption often violated in datasets with class imbalance, natural clustering, or spatial autocorrelation. This paper investigates the role of statistical similarity in train-test splitting and its consequences for AutoML model evaluation. Five established strategies are compared across fifteen UCI benchmark datasets: random splitting, stratified sampling, Kennard-Stone, Duplex, and SPXY. Similarity is assessed using chi-square, Kolmogorov-Smirnov, and Maximum Mean Discrepancy (MMD) tests. Geometry-based methods consistently produce near-zero MMD scores, introducing instability into downstream performance estimates. The proposed Optimised-Distribution method treats similarity as an explicit optimisation objective and achieves the highest mean MMD similarity, 89.0%, across all strategies evaluated.
• Abstract（参考訳）: 機械学習における正確なモデル評価は、データセットをトレーニングとテストサブセットに分割する方法に大きく依存する。 標準的なランダムスプリッティングは、両方のパーティションが同じ基底分布を共有していると仮定し、クラス不均衡、自然なクラスタリング、空間的自己相関のデータセットにしばしば違反する仮定である。 本稿では,列車-テスト分割における統計的類似性の役割とそのAutoMLモデル評価への応用について検討する。 確立された5つの戦略は、ランダムスプリッティング、階層化サンプリング、Kennard-Stone、Duplex、SPXYの15のUCIベンチマークデータセットで比較される。 類似性はchi-square, Kolmogorov-Smirnov, Maximum Mean Discrepancy (MMD) を用いて評価される。 幾何学に基づく手法は、下流のパフォーマンス推定に不安定を導入し、ほぼゼロのMDDスコアを一貫して生成する。 提案手法は, 類似性を明示的な最適化目標として扱い, 評価された全ての戦略において, 平均MDD類似度89.0%を達成する。

関連論文リスト

• Beyond the Performance Illusion: Structure-Aware Stratified Partitioning and Curriculum Distributionally Robust Optimization for Spatially Correlated Domains [1.8595194352358455]
  本研究では,空間相関データに対する統一的な評価・訓練フレームワークを提案する。 この組み合わせは、一般化を一貫して改善し、信頼性の高い校正を行い、従来のランダムスプリット評価の下で隠されたモード障害を露呈することを示す。
  論文  参考訳（メタデータ） (2026-07-02T11:32:38Z)
• Revisiting OmniAnomaly for Anomaly Detection: performance metrics and comparison with PCA-based models [0.08155575318208629]
  この研究は、MSSADの広く使われているリカレントモデルであるOmniAnomalyを再検討し、主成分分析に基づく単純な線形ベースラインと比較する。 どちらの手法もしきい値と評価手順で評価され、データセット内の28台のマシン毎に100回のラン毎に実験が繰り返される。 その結果,OmniAnomalyに匹敵する性能を達成でき,点調整が適用されない場合にも性能が向上することを示した。
  論文  参考訳（メタデータ） (2026-03-19T14:54:38Z)
• Clustering Approaches for Mixed-Type Data: A Comparative Study [0.0]
  混在型データのクラスタリングは、このタスクに適合するアプローチがほとんどないため、課題である。 本研究は,これらの手法の現状を考察し,様々なシミュレーションモデルを用いて比較する。 KAMILA, LCM, k-prototypes は, 調整型ランドインデックス (ARI) に関して, 最高の性能を示した。
  論文  参考訳（メタデータ） (2025-11-24T22:18:23Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• The Lie of the Average: How Class Incremental Learning Evaluation Deceives You? [48.83567710215299]
  クラスインクリメンタルラーニング(CIL)では、モデルが学習済みのクラスを忘れずに、新しいクラスを継続的に学習する必要がある。 我々は、ロバストなCIL評価プロトコルは、性能分布全体を正確に特徴付け、推定するべきであると論じる。 我々は,タスク間類似度を用いて,極端なクラスシーケンスを適応的に識別し,サンプリングする評価プロトコルEDGEを提案する。
  論文  参考訳（メタデータ） (2025-09-26T17:00:15Z)
• Multiply Robust Estimation for Local Distribution Shifts with Multiple Domains [9.429772474335122]
  我々は、全人口の複数のセグメントにまたがってデータ分布が変化するシナリオに焦点を当てる。 そこで本研究では,各セグメントのモデル性能を改善するために,二段階多重ロバスト推定法を提案する。 本手法は,市販の機械学習モデルを用いて実装されるように設計されている。
  論文  参考訳（メタデータ） (2024-02-21T22:01:10Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• 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)
• Similarity Based Stratified Splitting: an approach to train better classifiers [0.0]
  出力空間情報と入力空間情報の両方を用いてデータを分割する類似性に基づく階層分割手法を提案する。 提案手法を,マルチ層パーセプトロン,サポートベクトルマシン,ランダムフォレスト,K-Nearest Neighborsなどの分類器を用いたベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2020-10-13T01:07:48Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。