論文の概要: Density-Ratio Rescoring for Imbalanced Classification Using Raking Duals and Classifier Scores

• arxiv url: http://arxiv.org/abs/2609.23926v2
• Date: Tue, 22 Sep 2026 02:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.957112
• Title: Density-Ratio Rescoring for Imbalanced Classification Using Raking Duals and Classifier Scores
• Title（参考訳）: レイキングデュアルとクラシファイアスコアを用いた不均衡分類のための密度比再構成
• Abstract要約: density-Ratio Rescoringは、サーベイレーキングデュアルスコアで元のクラスでトレーニングされた分類器を増強する。 DRRは双対と基底のスコアを極端に標準化し、固定重量の半減と組み合わせる。 30回の試行と5回のベースラーニングで評価された24のベンチマークでは、D=128のランダムフェール設定でのDRRは、データセット毎の標準化ベースの平均精度を改善している。
• 参考スコア（独自算出の注目度）: 6.0125559514824545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Density-Ratio Rescoring (DRR) augments a classifier trained at the original class prior with a survey-raking dual score. Raking reweights the majority sample to match minority feature moments within a tolerance. DRR marginally standardizes the dual and base scores and combines them with a fixed weight of one half, using the fitted dual directly for prediction without resampling or refitting the base classifier. Under exact population matching and a correctly specified log-linear tilt model, the dual equals the log density ratio up to an additive constant. A class-separation analysis characterizes the signal strength and correlation conditions under which fusion improves separation under common within-class covariance. On 24 tabular benchmarks, evaluated over 30 trials and five base learners, DRR at the D=128 random-feature setting improves average precision over the standardized base on every dataset, with a mean gain of 0.034. It exceeds the shared-dual raking-and-relabeling resampler on 22 of 24 datasets, with a mean gain of $0.092$, and on all eight one-versus-rest tasks of a shared gene-expression cohort. These results demonstrate the effectiveness of using raking duals as reusable scores for improving rare-class ranking while retaining classifiers trained at the original prior.
• Abstract（参考訳）: 密度比Rescoring (DRR) は、サーベイレーキングのデュアルスコアの前に、元のクラスで訓練された分類器を増強する。 レイキングは、許容範囲内の少数機能モーメントにマッチするように、大多数のサンプルを再重み付けする。 DRRは二点と二点のスコアを極端に標準化し、二点を半点の固定重量と組み合わせる。 正確な集団マッチングと正確に指定された対数直線傾きモデルの下では、双対は対数密度比を加算定数に等しい。 クラス分離解析は、核融合が共通のクラス内共分散の下で分離を改善する信号強度と相関条件を特徴付ける。 D=128ランダムフェール設定でのDRRは、30の試行と5つのベースラーナーで評価された24の表式ベンチマークにおいて、各データセットの標準化ベースに対する平均精度を平均0.034で改善する。 共有遺伝子発現コホートの8つのワン・バイ・レスト・タスクにおいて、24データセット中22データセットの共有ダイアル・レイキング・アンド・レザベリング・リサンプラーを平均$0.092$で上回っている。 これらの結果から, レイキング双対を再利用可能なスコアとして用いることで, 従来より訓練された分類器を維持しつつ, 希少なランク付けを改善する効果が示された。

関連論文リスト

• Not All Nodes Are Created Equal: Homophily-Aware Stratification for Stable GNN Evaluation [5.880659774011303]
  グラフニューラルネットワークは、トランスダクティブノード分類に広く利用されている。 hp は位相対応の層状化処理であり、ノードのホモフィリーを一次層状化軸として扱う。 hpは、ランダムな$k$-foldの2.31と比較して平均安定性ランクが1.49であり、15データセットの13の平均安定性ランクが最低である。
  論文  参考訳（メタデータ） (2026-09-16T11:27:08Z)
• Balance of Benchmarks: Semantic Density Reweighting for Benchmark Multiplicity and Task-Conditioned Evaluation [0.0]
  ベンチマークのバランスはベンチマーク記述を埋め、各ベンチマークに逆密度のセマンティックウェイトを割り当てる。 残留フィールドは同じ幾何学を用いてタスククエリのランク付けを条件付けする。 BoBは最も高い平均プロファイルを獲得し、最寄り、調整されたトップ(k)、半径、クラスタベースのアグリゲーションを著しく上回っている。
  論文  参考訳（メタデータ） (2026-08-30T21:06:29Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Striding Across Reynolds Numbers: Representation Geometry in Neural PDE Generalisation [0.5451632647096261]
  ニューラルPDE解法におけるクロスレイノルズ一般化は、いまだにあまり特徴づけられていない。 我々は、この仮説を、ソーストレーニングされた畳み込みオートエンコーダ潜在空間の状態と一致するConvAE-Relayを通して検証する。 実験では、整合がマニフォールド上に留まっている場合、ソース・レジームのダイナミックス方向が転送可能である(コサイン類似度0.84)ことが確認された。
  論文  参考訳（メタデータ） (2026-05-28T15:49:26Z)
• Bit-Identical Medical Deep Learning via Structured Orthogonal Initialization [0.0]
  深層学習トレーニングは非決定論的であり、異なるランダムなシードを持つ同一のコードは、集約メトリクスに異を唱えるが個々の予測に異を唱えるモデルを生成する。 ランダム性の3つの源を除去する検証ビット識別訓練の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-30T05:04:57Z)
• IMOVNO+: A Regional Partitioning and Meta-Heuristic Ensemble Framework for Imbalanced Multi-Class Learning [5.693705818399956]
  クラス不均衡、重複、ノイズによりデータ品質が低下し、モデルの信頼性が低下し、一般化が制限される。 本稿では,データ品質とアルゴリズム的ロバスト性を向上させるためのフレームワークであるIMOVNO+を提案する。 その結果、最先端手法よりも一貫した優位性を示し、いくつかのケースでは100%に近づいた。
  論文  参考訳（メタデータ） (2026-02-22T08:13:51Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)

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。