論文の概要: Local Reference Geometry Residual Augmentation for Imbalanced Time Series Classification

• arxiv url: http://arxiv.org/abs/2609.00093v1
• Date: Mon, 31 Aug 2026 13:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.864351
• Title: Local Reference Geometry Residual Augmentation for Imbalanced Time Series Classification
• Title（参考訳）: 不均衡時系列分類のための局所的基準幾何残差増大法
• Abstract要約: Local Reference Geometry (LRG) は、時系列分類のための軽量な機能拡張モジュールである。 LRGは局所露光とクラス混合リスクを測定し、各固定された特徴を近くのトレーニング幾何学から標準化された符号付き変位で増強する。 制御されたUCR/Bake Off Redux不均衡ベンチマークでは、ペアの生-LRG比較が学習、事前訓練、固定表現の利得を示す。
• 参考スコア（独自算出の注目度）: 2.9276026564633617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imbalanced time series classification is often addressed by changing the training distribution, objective, logits, or final threshold. These interventions address important biases, yet leave a representation-level question unmeasured: after minority support is reduced, does a learned feature space remain locally reliable around minority regions? We identify a training-local geometry failure: under imbalance, minority cases can lie in sparse, rest-dominated, or mixed feature-space neighborhoods, even when the representation retains useful global class structure. To diagnose and repair this failure, we propose Local Reference Geometry (LRG), a lightweight post-hoc feature augmentation module applied between a fixed feature extractor and the classifier head. Using training features only, LRG measures local exposure and class-mixture risk, then augments each fixed feature with a standardized signed displacement from nearby training geometry and an LDA-projected residual summary. On controlled UCR/Bake Off Redux imbalance benchmarks, paired raw-versus-LRG comparisons show gains for learned, pretrained, and fixed representations, including when LRG is combined with training-level interventions and post-encoder classifier corrections. Ablations show that the gain comes from the signed local residual appended to the original feature, rather than from generic prototype distances, affinity features, scalar statistics, or VLAD-style codes. Further analyses support the proposed local-geometry failure hypothesis: minority neighborhoods become increasingly rest-exposed under imbalance, training-local risk identifies error-prone regions, and LRG gains concentrate in those high-risk regions.
• Abstract（参考訳）: 不均衡な時系列分類は、トレーニング分布、客観的、ロジット、最終しきい値を変更することで対処されることが多い。 これらの介入は重要なバイアスに対処するが、表現レベルの質問は未解決のまま残す:少数派支持が減った後、学習された特徴空間は少数派地域を中心に局所的に信頼性を保つか? 不均衡の下では、少数ケースは、たとえ表現が有用なグローバルクラス構造を維持したとしても、スパース、レストマディネート、または混合した特徴空間に横たわることができる。 この故障を診断し,修復するために,固定特徴抽出器と分類器ヘッドとの間に適用された軽量なポストホック特徴拡張モジュールであるローカル参照幾何(LRG)を提案する。 トレーニング機能のみを使用して、LRGは局所露光とクラス混合リスクを測定し、各固定フィーチャを近くのトレーニング幾何学から標準化された符号付き変位とLDAプロジェクションの残差サマリーで拡張する。 制御されたUCR/Bake Off Redux不均衡ベンチマークでは、ペア化された生逆-LRG比較が学習、事前訓練、固定表現のゲインを示し、LRGがトレーニングレベルの介入と後エンコーダ分類器の修正と組み合わせられる。 アブレーションによると、この利得は、一般的なプロトタイプ距離、親和性の特徴、スカラー統計、VLADスタイルのコードではなく、元の特徴に付加された署名された局所的残差によるものである。 マイノリティ地区は、不均衡の下で徐々に休息状態になり、トレーニングローカルリスクは、エラーが発生しやすい領域を識別し、LRGは、これらの高リスク領域に集中する。

関連論文リスト

• FairReL: Deepfake Detection using Fairness-Aware Representation Learning [13.693865200913741]
  本稿では,サブグループに敏感なコンポーネントを対象とするフェアネス対応表現学習フレームワークを提案する。 FairReLはSVDで分解されたファンデーションモデルバックボーンを使用して、微調整によって引き起こされる残留表現を分離する。 FF++、Celeb-DF、DFD、DFDCの実験では、最先端のフェアネス認識検出器に対して、FairReLは未確認データAUCを3.9%改善し、サブグループのFPR格差を10.2%削減した。
  論文  参考訳（メタデータ） (2026-08-28T18:34:15Z)
• Estimating Rare Events in Language Models with Proper Evaluation [16.1901795614153]
  GA-AMLS(Gradient Activation Adaptive Multi-Level Splitting)を導入する。 GA-AMLSは、言語モデルの連続活性化空間に希少なモンテカルロ法を適用する。 また、ゼロ推定に対して有限な適切なスコアリング規則であるシフトパワー・ブレグマン(SPB)ロス(英語版)を提案する。
  論文  参考訳（メタデータ） (2026-07-20T19:07:43Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• When Do Local Score Models Extrapolate Across Size? A Diagnostic Theory and Benchmark [0.0]
  アーキテクチャの局所性だけでは、安定したサイズ外挿が保証されないことを示す。 我々はこの機構を定式化し、局所限界に対する大きさと一様の比較定理を証明した。 実験により,空間混合,平滑なスコア準局所性,およびモデル受容場間の相互作用を検証する。
  論文  参考訳（メタデータ） (2026-06-08T16:24:31Z)
• Representation Collapse in Sequential Post-Training of Large Language Models [17.437127662981847]
  逐次後学習が内部表現を低ランク,異方性,均一な特徴空間に徐々に圧縮するかどうかを考察する。 我々は,制御段階順序下での教師付き微調整,選好最適化,安全/拒絶チューニング,数学とコードの特殊化,および長いチェーン・オブ・シンキングを解析した。
  論文  参考訳（メタデータ） (2026-05-28T19:59:17Z)
• Calibrating Biased Distribution in VFM-derived Latent Space via Cross-Domain Geometric Consistency [52.52950138164424]
  特徴抽出にオフザシェルフ(ビジョン)基礎モデルを利用する場合、特徴分布の幾何学的形状はドメインやデータセット間で顕著な伝達性を示す。 我々は,我々の幾何学的知識誘導分布キャリブレーションフレームワークを,フェデレーション学習とロングテール認識の2つの人気かつ挑戦的な設定で具体化する。 長期学習において、サンプル豊富なカテゴリから移動された幾何学的知識を利用して、サンプル・スカース・テールクラスの真の分布を復元する。
  論文  参考訳（メタデータ） (2025-08-19T05:22:59Z)
• Local-consistent Transformation Learning for Rotation-invariant Point Cloud Analysis [61.04787144322498]
  ポイント形状解析のための局所一貫性変換(LocoTrans)学習戦略を提案する。 まず、LRFにおける2つの軸の対称性を考慮し、LCRF(Local-Consistent Reference frame)を構築する。 整合性は局所的にのみ存在するため、相対的なポーズ情報はネットワークの中間層で失われる。
  論文  参考訳（メタデータ） (2024-03-17T06:40:50Z)
• Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
  本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。 我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
  論文  参考訳（メタデータ） (2023-10-26T17:41:11Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• Center Prediction Loss for Re-identification [65.58923413172886]
  我々は, 中心予測率に基づく新たな損失, すなわち, 試料が特徴空間の位置に位置しなければならず, そこから同一クラス標本の中心の位置を大まかに予測できることを示す。 今回の新たな損失により,クラス間サンプルの分離性が向上しつつ,クラス内分散制約がより柔軟になることを示す。
  論文  参考訳（メタデータ） (2021-04-30T03:57:31Z)
• Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images via Max-Min Uncertainty [25.429124017422385]
  弱教師付き学習(WSL)は、最近、ピクセルワイドアノテーションの欠如を緩和するため、かなりの関心を集めている。 本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。 i) クラス予測に関するモデル信頼度が高い前景を求めるクロスエントロピー、(ii) モデルの不確実性が高い背景を求めるKL正規化器、(iii) バランスの取れていないセグメンテーションを阻止するログバリア用語。
  論文  参考訳（メタデータ） (2020-11-14T04:45:07Z)

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。