論文の概要: Integrated Imputation-Classification for Supervised Learning with Missing Data

• arxiv url: http://arxiv.org/abs/2610.04273v1
• Date: Sat, 03 Oct 2026 03:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 11:59:55.684642
• Title: Integrated Imputation-Classification for Supervised Learning with Missing Data
• Title（参考訳）: 欠落データを用いた教師付き学習のための統合型インプテーション分類法
• Abstract要約: Integrated Imputation and Classification Network (IICN)は、インプタと$(n+1)$-classdiscriminatorを、単一のクラス管理型分類目的と逆向きに訓練する。 IICNは古典的な暗黙の分類パイプラインと最近の生成ベースラインを、挑戦的な設定で上回る。
• 参考スコア（独自算出の注目度）: 16.886097919403383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study supervised classification problems with missing feature values. Existing approaches often decouple imputation from classification, producing imputations that may be plausible but uninformative for prediction. Instead, we propose the Integrated Imputation and Classification Network (IICN), which jointly trains an imputer and an ${(n{+}1)}$-classdiscriminator adversarially with a single class supervised classification objective, where the discriminator learns to distinguish among the $n$ true classes and an additional ``imputed" class. We prove that at the global optimum, the imputer and discriminator together implement marginalization over missing coordinates and yield a Bayes-optimal classifier. We evaluate IICN on FashionMNIST, CIFAR-10, and tabular datasets with naturally occurring missingness. IICN outperforms classical impute-then-classify pipelines and recent generative baselines, showing strong robustness and accuracy in challenging settings.
• Abstract（参考訳）: 特徴値の欠如を伴う教師付き分類問題について検討する。 既存のアプローチでは、しばしば命令を分類から切り離すことがあり、予測には適さないが非形式的な命令を生成する。 Integrated Imputation and Classification Network (IICN) はインプタと${(n{+}1)}$-classdiscriminatorを1つのクラスに教師付き分類対象と逆向きに訓練し、そこで識別器は$n$真のクラスと追加の ‘inputed' クラスを区別することを学習する。 我々は、大域的最適度において、インプタと判別器が共に欠落座標の余分化を行い、ベイズ最適分類器を生成することを証明した。 IICNをFashionMNIST, CIFAR-10, および自然に欠落した表形式のデータセット上で評価した。 IICNは古典的な不純物分類パイプラインと最近の生成ベースラインを上回り、挑戦的な設定において強い堅牢性と正確性を示す。

関連論文リスト

• Beyond Rebalancing: Benchmarking Binary Classifiers Under Class Imbalance Without Rebalancing Techniques [3.7660066212240744]
  クラス不均衡は、特に医学診断や異常検出といった重要な領域において、教師付き分類にとって重要な課題である。 実世界のデータセットと合成データセットの両方にまたがる多様なバイナリ分類器の頑健さを体系的に評価する。 その結果、データの複雑さが増加し、マイノリティクラスのサイズが減少するにつれて、分類がより困難になることが確認された。
  論文  参考訳（メタデータ） (2025-09-09T11:28:34Z)
• Network Inversion for Uncertainty-Aware Out-of-Distribution Detection [2.6733991338938026]
  アウト・オブ・ディストリビューション(OOD)検出と不確実性推定は、安全な機械学習システムを構築する上で重要な要素である。 OOD検出と不確実性推定の両方に対処するために,ネットワークインバージョンと分類器学習を組み合わせた新しいフレームワークを提案する。 我々のアプローチはスケーラブルで解釈可能であり、外部のOODデータセットやポストホックキャリブレーション技術へのアクセスを必要としない。
  論文  参考訳（メタデータ） (2025-05-29T13:53:52Z)
• Covariance-corrected Whitening Alleviates Network Degeneration on Imbalanced Classification [6.197116272789107]
  クラス不均衡は画像分類において重要な問題であり、深層認識モデルの性能に大きな影響を及ぼす。 我々は、退化ソリューションを緩和するWhitening-Netと呼ばれる新しいフレームワークを提案する。 極端なクラス不均衡のシナリオでは、バッチ共分散統計は大きな変動を示し、白化操作の収束を妨げる。
  論文  参考訳（メタデータ） (2024-08-30T10:49:33Z)
• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
  対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。 近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。 従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
  論文  参考訳（メタデータ） (2024-02-06T15:45:27Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
  そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。 フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
  論文  参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。