論文の概要: PU classification under Non-SCAR: clustering-assisted logistic model with oversampling enhancement

• arxiv url: http://arxiv.org/abs/2609.14675v1
• Date: Sun, 13 Sep 2026 17:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.894033
• Title: PU classification under Non-SCAR: clustering-assisted logistic model with oversampling enhancement
• Title（参考訳）: 非SCARに基づくPU分類:オーバーサンプリング強化を用いたクラスタリング支援ロジスティックモデル
• Abstract要約: 本研究は,SCAR仮定に違反したPU分類問題に対処する。 本稿では,ロジスティック回帰に基づくアプローチ,すなわちクラスタ法とその拡張について,厳密かつ厳密なラッソ正規化を用いて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study addresses the PU classification problem under violations of the SCAR assumption. We investigate logistic regression-based approaches, namely the cluster method and its extensions with strict and non-strict Lasso regularization. The primary contribution of this work is the integration of the SMOTE technique to alleviate class imbalance and systematically assess its impact on the performance of the considered algorithms. SMOTE is first applied to rebalance the training dataset. Next, cleaning labels are derived via 2-means clustering. Logistic regression is then trained on the cleaned data, where identified positive instances are augmented with additional true positives and the remaining observations are treated as negative. The experimental evaluation is conducted on 13 real benchmark datasets and one synthetic dataset. For comparison, we include the naive approach and the Spy-EM method. The results demonstrate that incorporating SMOTE improves classification performance when the SCAR condition is violated and indicate moderate robustness of the LassoJoint method in this setting.
• Abstract（参考訳）: 本研究は,SCAR仮定に違反したPU分類問題に対処する。 本稿では,ロジスティック回帰に基づくアプローチ,すなわちクラスタ法とその拡張について,厳密かつ厳密なラッソ正規化を用いて検討する。 この研究の主な貢献は、クラス不均衡を緩和し、検討されたアルゴリズムの性能への影響を体系的に評価するSMOTE技術の統合である。 SMOTEはトレーニングデータセットの再バランスに最初に適用される。 次に、クリーニングラベルは2平均クラスタリングによって導き出される。 次に、ロジスティック回帰はクリーン化されたデータに基づいてトレーニングされ、正の正のインスタンスが追加の正の値で拡張され、残りの観測は負の値として扱われる。 実験は13の実ベンチマークデータセットと1つの合成データセットを用いて行った。 比較のために,本手法とSpy-EM法を比較した。 その結果,SMOTEの導入によりSCAR条件違反時の分類性能が向上し,LassoJoint法が適度に頑健であることを示す。

関連論文リスト

• Rethinking the Evaluation and Optimization of LLM-Based Social Simulation [56.18577997572273]
  主観性係数を用いて、主観性が高くなるにつれて、精度に基づく評価とハードラベルトレーニングがいかに失敗するかを分析する。 我々は193のアノテーションと100の主観的質問を含む19,300の文脈のベンチマークであるSUBJSIMを構築した。 SUBJSIMの結果は,本手法の利点を示すものである。
  論文  参考訳（メタデータ） (2026-08-20T06:26:03Z)
• SimReg: Achieving Higher Performance in the Pretraining via Embedding Similarity Regularization [55.63565289584336]
  SimRegは埋め込み類似性正規化損失であり、各シーケンス内で同じ基幹ラベルを持つトークン表現をより類似させる。 分析の結果, この機構は多分類マージンを増大させ, より効率的な分類を可能にした。
  論文  参考訳（メタデータ） (2026-05-09T08:59:13Z)
• A proposal for PU classification under Non-SCAR using clustering and logistic model [0.0]
  本研究の目的は,SCAR条件が満たされていない場合に,計算的に単純かつPU分類を解くことのできるクラスタクリーニングアルゴリズムを検討することである。 この研究の二次目的は、SCAR条件の摂動に対するLassoJoint法の堅牢性を決定することである。
  論文  参考訳（メタデータ） (2026-04-18T20:16:11Z)
• Simulating Training Data Leakage in Multiple-Choice Benchmarks for LLM Evaluation [6.4212082894269535]
  既存のリーク検出技術である置換法とn-gram法を比較した。 解析の結果,n-gram法は高いF1スコアが得られることがわかった。 MMLUとHellaSwagのクリーンバージョンを作成し、複数のLLMを再評価する。
  論文  参考訳（メタデータ） (2025-05-30T06:37:39Z)
• 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)
• Estimating class separability of text embeddings with persistent homology [1.9956517534421363]
  本稿では、トポロジ的観点からテキストデータセットのクラス分離性を推定する教師なし手法を提案する。 本手法を応用して, 組込みの分離性向上を図り, トレーニングプロセスが停止した場合の検知方法について述べる。 その結果,本手法のクラス分離性の推定値と教師付き手法のクラス分離性の推定値が一致していることが示唆された。
  論文  参考訳（メタデータ） (2023-05-24T10:58:09Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Enhancing Counterfactual Classification via Self-Training [9.484178349784264]
  本研究では, 擬似ラベルによるランダム化試行をシミュレートするために, 観測データ中の有限未確認動作に対して, カテゴリ値で結果を示唆する自己学習アルゴリズムを提案する。 提案アルゴリズムは,合成データセットと実データセットの両方において有効であることを示す。
  論文  参考訳（メタデータ） (2021-12-08T18:42:58Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training [5.874575666947381]
  本研究は、追加のラベル付きデータを用いて半教師付き物体検出を行い、検出性能を向上させることを目的とする。 疑似ラベルを生成するための新しい2段階フィルタリングアルゴリズムを提案する。 提案手法は,MS-COCOおよびVOCベンチマークの良好な改善を実現する。
  論文  参考訳（メタデータ） (2021-07-11T12:14:42Z)
• Stratified Learning: A General-Purpose Statistical Method for Improved Learning under Covariate Shift [1.1470070927586016]
  本稿では,学習セットが代表的でない場合の教師あり学習を改善するための,シンプルで統計的に原理化された理論的に正当化された手法を提案する。 因果推論において確立された方法論を基礎として,共変量シフトの影響を条件付けによって低減・排除できることを示す。 本稿では,宇宙論における2つの現代の研究課題に対する汎用的手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-21T15:53:20Z)
• A Realistic Evaluation of Semi-Supervised Learning for Fine-Grained Classification [38.68079253627819]
  本ベンチマークは, avesおよびfungi分類のクラスをサンプリングして得られた2つの細粒度分類データセットからなる。 最近提案されたSSLメソッドは大きなメリットをもたらし、深いネットワークがゼロから訓練されたときにクラス外のデータを効果的にパフォーマンスを向上させることができます。 我々の研究は、現実的データセットの専門家による半教師付き学習は、現在文学で普及しているものとは異なる戦略を必要とする可能性があることを示唆している。
  論文  参考訳（メタデータ） (2021-04-01T17:59:41Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)

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。