論文の概要: Contrastive Representation-Guided Genetic Minority Oversampling for Imbalanced Time-Series Classification

• arxiv url: http://arxiv.org/abs/2608.22804v1
• Date: Mon, 24 Aug 2026 05:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.89619
• Title: Contrastive Representation-Guided Genetic Minority Oversampling for Imbalanced Time-Series Classification
• Title（参考訳）: 不均衡時系列分類のためのコントラスト表現誘導遺伝子マイノリティオーバーサンプリング
• Abstract要約: 実世界の時系列分類タスクは、しばしばクラス不均衡を示すが、いくつかのアプリケーションでは非常に深刻である。 本稿では、周波数領域表現誘導型マルチツリー遺伝的プログラミングに基づくアンバランスな時系列分類のためのオーバーサンプリング手法を提案する。
• 参考スコア（独自算出の注目度）: 56.54664402339568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world time-series classification tasks often exhibit class imbalance, which can be extremely severe in some applications. To avoid training biased classifiers on imbalanced data, sampling is one of the most popular data pre-processing techniques because of its classifier-agnostic nature. However, due to the complex temporal dependencies in original time-series data and the scarcity of minority-class samples, existing sampling methods, including interpolation-based oversampling methods and deep learning-based generative models, usually suffer from limited generalization and poor diversity when generating new time-series samples. This paper proposes a Frequency-domain representation-guided Multi-tree Genetic Programming-based oversampling approach (FreMGP) to imbalanced time-series classification, where each individual represents a set of synthetic samples for the minority class. A frequency-domain class-discriminative representation module based on contrastive learning is also developed, guiding the evolutionary search toward high-quality synthetic time-series samples. Experiments on imbalanced time-series datasets demonstrate that FreMGP outperforms existing oversampling methods and consistently improves the performance of different classifiers, including both general machine learning and deep learning models.
• Abstract（参考訳）: 実世界の時系列分類タスクは、しばしばクラス不均衡を示すが、いくつかのアプリケーションでは非常に深刻である。 不均衡なデータに対するバイアス付き分類器の訓練を避けるため、サンプリングは分類器に依存しない性質のため、最も一般的なデータ前処理手法の1つである。 しかし、オリジナルの時系列データに複雑な時間的依存と少数クラスのサンプルの不足のため、補間に基づくオーバーサンプリング法や深層学習に基づく生成モデルを含む既存のサンプリング手法は、新しい時系列サンプルを生成する際には、限定的な一般化と多様性に悩まされることが多い。 本稿では、周波数領域表現誘導型マルチツリー遺伝的プログラミングに基づくオーバーサンプリング手法(FreMGP)を提案する。 コントラスト学習に基づく周波数領域クラス識別表現モジュールも開発され、高品質な合成時系列サンプルへの進化的探索が導かれる。 不均衡な時系列データセットの実験は、FreMGPが既存のオーバーサンプリング手法より優れており、一般的な機械学習モデルとディープラーニングモデルの両方を含む、さまざまな分類器のパフォーマンスが一貫して改善されていることを示している。

関連論文リスト

• Evo-TFS: Evolutionary Time-Frequency Domain-Based Synthetic Minority Oversampling Approach to Imbalanced Time Series Classification [49.399484340024316]
  Evo-TFSは時間領域と周波数領域の両方の特徴を統合する新しいオーバーサンプリング手法である。 Evo-TFSでは、多種多様な高品質な時系列を進化させるために、強く型付けされた遺伝的プログラミングが使われている。 不均衡な時系列データセットで実施された実験は、Evo-TFSが既存のオーバーサンプリング手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-01-03T10:38:17Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Imbalanced Classification via a Tabular Translation GAN [4.864819846886142]
  本稿では,多数のサンプルを対応する合成マイノリティ標本にマッピングするために,新たな正規化損失を用いたジェネレーティブ・アドバイサル・ネットワークに基づくモデルを提案する。 提案手法は, 再加重法やオーバーサンプリング法と比較して, 平均精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-04-19T06:02:53Z)
• A Novel Adaptive Minority Oversampling Technique for Improved Classification in Data Imbalanced Scenarios [23.257891827728827]
  異なるクラスに属するトレーニングサンプルの割合の不均衡は、しばしば従来の分類器の性能低下を引き起こす。 不均衡なデータに対処する新しい3ステップ手法を提案する。
  論文  参考訳（メタデータ） (2021-03-24T09:58:02Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)
• Minority Class Oversampling for Tabular Data with Deep Generative Models [4.976007156860967]
  オーバーサンプリングによる非バランスな分類タスクの性能向上を図るために, 深層生成モデルを用いて現実的なサンプルを提供する能力について検討した。 実験の結果,サンプリング手法は品質に影響を与えないが,実行環境は様々であることがわかった。 また、性能指標の点でも改善が重要であるが、絶対的な点では小さな点がしばしば見られる。
  論文  参考訳（メタデータ） (2020-05-07T21:35:57Z)
• Minority Oversampling for Imbalanced Time Series Classification [7.695093197007146]
  本稿では,高次元不均衡時間系列分類に対処するオーバーサンプリング手法を提案する。 いくつかの公開時系列データセットの実験結果は、最先端のオーバーサンプリングアルゴリズムに対するOHITの優位性を示している。
  論文  参考訳（メタデータ） (2020-04-14T09:20:12Z)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。