論文の概要: Exposing Blind Spots in Deep Imbalanced Regression Evaluation

• arxiv url: http://arxiv.org/abs/2609.25152v1
• Date: Mon, 21 Sep 2026 08:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.046749
• Title: Exposing Blind Spots in Deep Imbalanced Regression Evaluation
• Title（参考訳）: 深部不均衡回帰評価におけるブラインドスポットの抽出
• Abstract要約: Deep Im Balanced Regression (DIR)は、回帰モデルの共通の障害モードに対処する。 これら3つの軸に沿ってDIR評価を再検討する。 標準的な仮想センシングモデルでは,グローバルMAEによって隠蔽されたテール劣化が顕著であることを示す。
• 参考スコア（独自算出の注目度）: 1.475612364427655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Imbalanced Regression (DIR) addresses a common failure mode of regression models: target distributions are highly non-uniform, causing models to perform best in densely populated target regions even when reliable performance is required across the full target range. Despite rapid methodological progress, DIR evaluation remains constrained by three blind spots: it is dominated by image-based benchmarks, its standard many-/medium-/few-shot protocol is diagnostic but not decision-complete, and tail-region stability across random seeds has not been systematically evaluated. We revisit DIR evaluation along these three axes. First, we broaden the data domain by evaluating DIR on a multimodal virtual sensing benchmark (\textsc{MuViS}) with nine time-series extrinsic regression tasks across six physical domains, where rare target values often correspond to operationally meaningful regimes. Second, we adopt balanced MAE (\emph{bMAE}) and introduce balanced Mean Absolute Scaled Error (\emph{bMASE}), a scale-normalized metric for decision-complete comparison across methods and datasets. Third, through a repeated reevaluation of six representative DIR methods across multiple random seeds, we show that the tail regions targeted by DIR exhibit particularly high sensitivity to seed-level variability. Our results show that standard virtual-sensing models exhibit substantial tail degradation hidden by global MAE, that existing DIR methods can improve balanced performance but transfer unevenly to multimodal time-series data, and that tail-region instability remains a largely hidden failure mode under current DIR evaluation practice. Together, these findings and our publicly available code provide a reproducible basis for future DIR research toward regression systems that capture rare target regimes as reliably as common ones.
• Abstract（参考訳）: DIR(Deep Im Balanced Regression)は、レグレッションモデルの一般的な障害モードに対処する: ターゲット分布は極めて一様ではない。 高速な方法論的進歩にもかかわらず、DIR評価は画像ベースのベンチマークによって支配され、標準の多・中・二ショットプロトコルは診断であるが決定完全ではなく、ランダムシード間の尾安定は体系的に評価されていない3つの盲点によって制限されている。 これら3つの軸に沿ってDIR評価を再検討する。 まず、DIRをマルチモーダルな仮想センシングベンチマーク(\textsc{MuViS})で評価することにより、データ領域を6つの物理領域にまたがる9つの時系列の回帰タスクで拡張する。 第2に、バランス付きMAE(\emph{bMAE})を導入し、メソッドやデータセット間での意思決定完全比較のためのスケール正規化指標であるバランス付き平均絶対スケールドエラー(\emph{bMASE})を導入します。 第三に、複数のランダム種子にまたがる6つの代表的DIR手法の再評価により、DIRが標的とする尾部領域は、特に種子レベルの変動に対して高い感度を示すことが明らかとなった。 以上の結果から,従来のDIR手法はバランスの取れた性能を向上するが,マルチモーダル時系列データに不均一に転送可能であること,そして現状のDIR評価において,テール領域の不安定性はほとんど隠れた障害モードのままであることが示唆された。 これらの発見と公開コードとともに、レアターゲットレジームを確実に捉えるレグレッションシステムに向けた将来のDIR研究の再現可能な基盤を提供する。

関連論文リスト

• Mind the Residual Gap: Probabilistic Downscaling under Real-World Bias [11.400279490725042]
  確率的なダウンスケーリングは、大気科学、気候モデリング、その他のマルチスケール物理システムにとって重要な課題である。 広く使われているパラダイムは、問題を決定論的平均予測器に分解し、続いて残留発生器に分解する。 本研究は,根本原因が標的誤診であり,訓練中に誘発される残差分布は,下降バイアスにより試験時間に要求されるものと体系的に異なることを示す。
  論文  参考訳（メタデータ） (2026-06-29T18:47:34Z)
• Beyond the Mean: Distribution-Aware Loss Functions for Bimodal Regression [13.50774354486614]
  正規化RMSEとワッサースタイン距離とクラメール距離を組み合わせた分布認識損失関数のファミリーを提案する。 我々のフレームワークは、信頼性と堅牢性の両方においてMDNを厳格に支配し、信頼できるAIシステムにおけるアレタリック不確実性推定のための信頼性の高いツールを提供する。
  論文  参考訳（メタデータ） (2026-03-20T18:37:05Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Regression Augmentation With Data-Driven Segmentation [0.0]
  不均衡回帰は、ターゲット分布が歪んだときに発生し、モデルが密度の高い領域に集中し、表現不足の(マイノリティ)サンプルと競合する原因となる。 本稿では,Mahalanobis-Gaussian Mixture Modeling (GMM) を用いて,マイノリティサンプルの自動同定を行う,完全なデータ駆動型GANベースの拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-02T18:12:11Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• How Reliable is Your Regression Model's Uncertainty Under Real-World Distribution Shifts? [46.05502630457458]
  本研究では,異なるタイプの分散シフトを伴う8つの画像ベース回帰データセットのベンチマークを提案する。 分散シフトがない場合、メソッドは十分に校正されているが、ベンチマークデータセットの多くに非常に自信が持たれていることが分かっています。
  論文  参考訳（メタデータ） (2023-02-07T18:54:39Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。