論文の概要: CRISP: Scalable Importance-Stratified Coresets for Imbalanced Tabular Learning

• arxiv url: http://arxiv.org/abs/2609.26962v1
• Date: Tue, 22 Sep 2026 18:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.734164
• Title: CRISP: Scalable Importance-Stratified Coresets for Imbalanced Tabular Learning
• Title（参考訳）: CRISP:不均衡話者学習のためのスケーラブルな重要度抽出コアセット
• Abstract要約: CRISPは、プロキシモデルスコアの量子層にまたがる負のクラス予算を割り当てる線形時間法である。 生産不正データセットの95%のマイナスクラスで、CRISPは25万行の約1.70万行をトレーニングし、全データ平均精度の99.7%を維持している。
• 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: Large imbalanced tabular datasets make repeated gradient-boosted tree training expensive. Existing coreset methods often lose accuracy when most majority examples are removed. We present CRISP (Coreset Reduction via Importance-Stratified Pruning), a linear-time method that allocates a negative-class budget across quantile strata of a proxy-model score. Sample weights account for unequal inclusion probabilities. At 95% negative-class reduction on a production fraud dataset, CRISP trains on approximately 1.70M of 25M rows and retains 99.7% of full-data Average Precision. This is a 93.2% reduction in total training rows. On public CriteoPrivateAds, CRISP has the highest mean Average Precision at each tested rate from 90% to 99.4% majority reduction. Sparkov results are mixed at lower rates, but CRISP has the highest mean at 99.2% and 99.4%. Ablations identify budget allocation and inverse-propensity weighting as the main sources of the production-dataset gain.
• Abstract（参考訳）: 大規模な不均衡な表層データセットは、繰り返し勾配付き木習いを高価にする。 既存のコアセットメソッドは、ほとんどのサンプルが削除されると精度が低下することが多い。 本稿では、プロキシモデルスコアの量子層にまたがる負のクラス予算を割り当てる線形時間手法CRISPを提案する。 サンプル重量は不平等な包摂確率を考慮に入れている。 生産不正データセットの95%のマイナスクラスで、CRISPは25万行の約1.70万行をトレーニングし、全データ平均精度の99.7%を維持している。 これは合計トレーニング行数を93.2%削減する。 公共のCriteoPrivateAdsでは、CRISPは各テストレートの平均精度を90%から99.4%まで下げている。 Sparkovの結果は低いレートで混合されているが、CRISPの最高値は99.2%と99.4%である。 アブレーションは、予算配分と逆正当性重み付けを生産・データセットゲインの主源とみなす。

関連論文リスト

• Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise [0.0]
  アクティブラーニングは、情報的な例を選択することでラベリングコストを削減することができるが、最も不確実な例は、ラベルを正しく付けるのが最も難しい場合でもある。 本研究は, ラベルが劣化しやすいため, 不確実性サンプリングが失敗するか否かを検証した。
  論文  参考訳（メタデータ） (2026-08-05T03:01:19Z)
• Selecting Samples on Graphs: A Unified Dataset Pruning Framework for Lossless Training Acceleration [71.77541419885925]
  グラフベースの統合DPフレームワークを提案する。 データセットを重み付きグラフとしてモデル化することにより、DPは最大重み付き傾き問題(MWCP)としてキャストできる。 ResNet-50でImageNet-1kの精度を犠牲にすることなく、トレーニング時間を40%以上短縮する。
  論文  参考訳（メタデータ） (2026-06-11T05:13:32Z)
• RCAP: Robust, Class-Aware, Probabilistic Dynamic Dataset Pruning [4.215168690973054]
  本稿では,ロバスト,クラスアウェア,確率的動的データセット解析アルゴリズム RCAP を提案する。 RCAPは、最先端のデータセットプルーニング手法を一貫して上回り、すべてのプルーニングレートにおいて、最悪のグループ精度を向上する。
  論文  参考訳（メタデータ） (2026-06-10T07:37:01Z)
• ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
  ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。 DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
  論文  参考訳（メタデータ） (2026-05-28T12:40:22Z)
• Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
  EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク 提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。 HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
  論文  参考訳（メタデータ） (2025-10-12T05:38:10Z)
• DataDecide: How to Predict Best Pretraining Data with Small Experiments [67.95896457895404]
  私たちはDataDecideのモデル、データ、評価を公開しています。 最大100Bトークン,最大1Bパラメータのモデルサイズ,および3つのランダムシードを用いて,25コーパスにわたる事前学習実験を行った。
  論文  参考訳（メタデータ） (2025-04-15T17:02:15Z)
• Lightweight Dataset Pruning without Full Training via Example Difficulty and Prediction Uncertainty [9.749638953163391]
  早期のトレーニング段階から重要なサンプルを特定するために,難易度と不確実性を考慮した軽量度スコア(DUAL)を導入する。 また, 極端破砕時の破滅的精度低下に対処するために, ベータ分布を用いた比適応サンプリングを提案する。
  論文  参考訳（メタデータ） (2025-02-10T01:18:40Z)
• Iterative Reasoning Preference Optimization [84.15992372132507]
  生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。 このスキームの繰り返し繰り返しにおける推論の改善を示す。 例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
  論文  参考訳（メタデータ） (2024-04-30T17:28:05Z)

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。