論文の概要: ARISE: An adaptive residual-informed stability ensemble for feature selection in small-sample biomedical omics

• arxiv url: http://arxiv.org/abs/2608.14866v1
• Date: Fri, 14 Aug 2026 20:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.116279
• Title: ARISE: An adaptive residual-informed stability ensemble for feature selection in small-sample biomedical omics
• Title（参考訳）: ARISE:小サンプルバイオメディカルオミクスにおける特徴選択のための適応的残留インフォームド安定性アンサンブル
• Abstract要約: 小サンプル分子分類では、予測的、安定的、および非冗長なサブセットを二項および多クラスの結果として識別するセレクタが必要である。 本稿では, 相補的関連信号, クラスバランス安定性評価, 残差インフォームド冗長性制御, マルチクラス対のカバレッジを統合したARISEを提案する。
• 参考スコア（独自算出の注目度）: 0.7286424005725253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Small-sample molecular classification requires feature selectors that identify predictive, stable, and nonredundant subsets for binary and multiclass outcomes. We propose ARISE (Adaptive Residual-Informed Stability Ensemble), which integrates complementary relevance signals, class-balanced stability assessment, residual-informed redundancy control, and multiclass pairwise coverage. Methods: ARISE combines seven percentile-normalized relevance components through 15 predefined profiles, adaptively weighted by nested inner cross-validation. It was evaluated on five molecular datasets, eight feature-set sizes, three fixed classifiers (k-nearest neighbours, support vector machine, and random forest), and six filter comparators. Generalization was estimated by five-fold outer cross-validation repeated 50 times using balanced accuracy, macro-F1, and Cohen's kappa. Results: Across 210,000 held-out assessments, ARISE ranked first in all 15 dataset-metric combinations. Equal-dataset means were 0.793 for balanced accuracy, 0.776 for macro-F1, and 0.725 for kappa, exceeding the strongest aggregate comparator by 0.022, 0.023, and 0.028, respectively. Performance remained strong across compact feature sets, although the optimal budget differed by dataset. Conclusion: ARISE provides a transparent, adaptive framework that jointly addresses relevance, stability, redundancy, and multiclass discrimination. Its consistent results across datasets, classifiers, metrics, and feature-set sizes support further evaluation for small-sample molecular classification.
• Abstract（参考訳）: 目的: 小サンプル分子分類では、二項および多クラスの結果に対する予測的、安定的、および非冗長なサブセットを識別する特徴セレクタが必要である。 本稿では,ARISE(Adaptive Residual-Informed Stability Ensemble)を提案する。 方法: ARISEは15の事前定義されたプロファイルを通じて7%の正規化関連コンポーネントを結合し、ネストした内側のクロスバリデーションによって適応的に重み付けされる。 5つの分子データセット、8つの特徴セットサイズ、3つの固定分類器(k-アネレスト近傍、サポートベクターマシン、ランダムフォレスト)、6つのフィルターコンパレータで評価した。 一般化は, 平衡精度, マクロF1, コーエンカッパを50回繰り返して行った。 結果:ARISEは21万件のホールトアウトアセスメントを達成し、15のデータセットメトリックの組み合わせで第1位にランクインした。 平衡精度は0.793、マクロF1は0.776、カッパは0.725であり、それぞれ0.022、0.023、0.028を上回った。 最適な予算はデータセットによって異なるが、パフォーマンスはコンパクトな機能セット全体で強く保たれていた。 結論: ARISEは、関連性、安定性、冗長性、マルチクラス識別を共同で扱う、透過的で適応的なフレームワークを提供する。 データセット、分類器、メトリクス、特徴セットサイズにまたがる一貫性のある結果は、小さなサンプル分子分類のさらなる評価に役立つ。

関連論文リスト

• Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction [3.093890460224435]
  本研究では,マルチクラス頚椎分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。
  論文  参考訳（メタデータ） (2026-09-01T02:30:41Z)
• RobustModelMaker: Coupling Bootstrap Stability Selection with Leakage-Safe Nested Cross-Validation for Scientific Machine Learning [2.0052993723676895]
  RobustModelMakerは、厳密なネストされたクロスバリデーションで安定性の選択をブートストラップするPythonフレームワークである。 安定性テストされた機能サブセットとリークセーフなパフォーマンス見積を生成する。 バイナリ分類、マルチクラス分類、レグレッションの9つのアルゴリズムをサポートする。
  論文  参考訳（メタデータ） (2026-06-01T02:11:23Z)
• ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
  ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。 ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
  論文  参考訳（メタデータ） (2026-05-27T07:33:47Z)
• Quantum-Inspired Geometric Classification with Correlation Group Structures and VQC Decision Modeling [0.5039813366558307]
  本稿では、相関群構造(CGR)、コンパクトなSWAPテストに基づく重複推定、選択的変分量子決定モデリングを統合した幾何駆動型量子インスピレーション型分類フレームワークを提案する。 CGRは特徴をアンカー中心の相関近傍に整理し、非線形で相関重み付き表現を生成する。 Credit Card Fraudデータセット(0.17%)では、Delta + VQCパイプラインが約0.85マイノリティリコールを約1.31%の警告レートで達成し、ROC-AUC 0.9249とPR-AUC 0.3251をフルデータセットで評価している。
  論文  参考訳（メタデータ） (2026-04-02T11:50:29Z)
• STABLE: Efficient Hybrid Nearest Neighbor Search via Magnitude-Uniformity and Cardinality-Robustness [59.119196450578364]
  Hybrid ANNS (Hybrid Approximate Nearest Neighbor Search) は、大規模な異種データに対する基礎的な検索技術である。 本稿では, 類似性マグニチュード不均一性に対する適合性バリアと, 属性心に対する耐性ボトルネックを克服するためのrobuSt heTerogeneity-Aware hyBrid retrievaL framEwork, STABLEを提案する。
  論文  参考訳（メタデータ） (2026-04-02T04:52:35Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Rare Event Detection in Imbalanced Multi-Class Datasets Using an Optimal MIP-Based Ensemble Weighting Approach [1.2289361708127877]
  マルチクラスデータセットは、重要なサイバー物理システムにおけるまれな事象検出に使用される。 最適,効率的,適応可能な混合整数プログラミング(MIP)アンサンブル重み付け方式を提案する。 MIPに基づく手法と6つの確立された重み付け手法を比較検討した。
  論文  参考訳（メタデータ） (2024-12-18T02:20:51Z)
• Bridging Multicalibration and Out-of-distribution Generalization Beyond Covariate Shift [44.708914058803224]
  マルチキャリブレーションによるアウト・オブ・ディストリビューションの一般化のための新しいモデルに依存しない最適化フレームワークを構築した。 本稿では,マルチキャリブレーションとアウト・オブ・ディストリビューションの一般化を両立させるポストプロセッシングアルゴリズムMC-Pseudolabelを提案する。
  論文  参考訳（メタデータ） (2024-06-02T08:11:35Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Better May Not Be Fairer: A Study on Subgroup Discrepancy in Image Classification [73.87160347728314]
  CIFAR10とCIFAR100のテストセットを各画像の背景色に基づいてサブグループにアノテートすることで、自然背景色が刺激的な特徴としてどのように機能するかを検討する。 全体としての人間レベルの精度は、一貫したサブグループ性能を保証せず、この現象はImageNetで事前訓練されたモデルやデータ拡張後のモデルでも継続している。 実験の結果,FlowAugはCIFAR10/100およびCIFAR10/100-C上で,他のDA法よりも一貫したサブグループ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-16T18:51:10Z)
• Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
  Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。 正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
  論文  参考訳（メタデータ） (2021-05-26T15:37:48Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。