論文の概要: Learning under Localized Minority Imbalance

• arxiv url: http://arxiv.org/abs/2610.04936v1
• Date: Sun, 04 Oct 2026 04:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:48:43.434023
• Title: Learning under Localized Minority Imbalance
• Title（参考訳）: 局所的マイノリティ不均衡下での学習
• Abstract要約: 実世界の設定では、少数インスタンスは、特徴空間の特定の領域で不均等に観測されることがある。 既存の不均衡緩和技術は、トレーニングデータに観測誘起バイアスを適合させることができることを示す。 木構造をベースとした階層化手法を提案し, 層内LMI歪みを低減させる。
• 参考スコア（独自算出の注目度）: 1.46673325521751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class-imbalance methods implicitly assume that the minority class is uniformly undersampled relative to the majority class. However, in many real-world settings, minority instances may be disproportionately under-observed in certain regions of the feature space. For example, small businesses that go bankrupt may disappear from records, while those that survive remain visible, making bankruptcy appear less common among small firms than it actually is. This gives rise to localized minority imbalance (LMI), a challenge that is often overlooked and extends beyond general class-count imbalance. We show that under LMI, existing imbalance mitigation techniques can fit observation-induced biases in the training data and generalize poorly to under-observed regions of the true minority distribution. To address this, we propose a tree-based stratified approach that recursively partitions the feature space with the goal of reducing within-stratum LMI distortion. For each resulting stratum, we pair its majority instances with the full observed minority set and train a base classifier to create an ensemble. Extensive experiments over benchmark tabular datasets simulated with LMI show that our stratified ensembling approach outperforms popular and state-of-the-art imbalance mitigation techniques. We also introduce a gold-standard evaluation protocol that uses unbiased test sets, and demonstrate that conventional hold-out evaluation from the same LMI-biased data can substantially mislead performance. Overall, our results highlight that the cause of imbalance is as important as the correction method.
• Abstract（参考訳）: クラス不均衡の手法は、少数派クラスが多数派クラスに対して一様にアンサンプされていることを暗黙的に仮定する。 しかし、多くの実世界の環境では、少数派インスタンスは、特徴空間の特定の領域で不均等に保存されていない可能性がある。 例えば、倒産する中小企業は記録から消えることがあるが、存続する中小企業は目に見えるままであり、倒産を実際に行う企業ほど一般的でないように見える。 これはローカライズド・マイノリティの不均衡(LMI)を引き起こすが、これはしばしば見過ごされ、一般的なクラス数不均衡を超えて拡張される課題である。 LMIの下では、既存の不均衡緩和技術は、トレーニングデータ中の観測誘起バイアスに適合し、真のマイノリティ分布の未観測領域に悪影響を及ぼすことが示される。 そこで本研究では,構造内LMI歪みの低減を目標として,特徴空間を再帰的に分割する木に基づく階層化手法を提案する。 結果の成層ごとに、過半数のインスタンスと完全な観測されたマイノリティセットをペアにし、アンサンブルを作成するためにベース分類器を訓練する。 LMIでシミュレートしたベンチマーク表データセットに対する大規模な実験により、我々の階層化アンサンブルアプローチは、人気と最先端のアンバランス緩和技術より優れていることが示された。 また、非バイアステストセットを用いたゴールドスタンダード評価プロトコルを導入し、同じLMIバイアスデータから従来のホールドアウト評価が性能を著しく誤解させることを示した。 その結果,不均衡の原因は補正法と同じくらい重要であることが明らかとなった。

関連論文リスト

• Learning Majority-to-Minority Transformations with MMD and Triplet Loss for Imbalanced Classification [0.5390869741300152]
  教師付き分類におけるクラス不均衡は、多数派に対する予測をバイアスすることでモデル性能を低下させることが多い。 多数サンプルをマイノリティ分布にマッピングするパラメトリック変換を学習するオーバーサンプリングフレームワークを導入する。 提案手法は,グローバルアライメントのためのトランスフォーメーションと真のマイノリティサンプル間の平均最大誤差(MMD)を最小化する。
  論文  参考訳（メタデータ） (2025-09-15T01:47:29Z)
• Fairness for the People, by the People: Minority Collective Action [50.29077265863936]
  機械学習モデルは、トレーニングデータに存在するバイアスを保存し、一部の少数民族を不公平に扱う。 我々は,企業のトレーニングプロセスを変更することなく,公正性を高めるために,自らのデータを戦略的に再ラベルする調整されたマイノリティグループを提案する。 以上の結果から,少数民族のサブグループは,全体の予測誤差に少なからぬ影響で,不公平さを著しく低減できることが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-21T09:09:39Z)
• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment for Imbalanced Learning [129.63326990812234]
  そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。 この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-07T09:15:08Z)
• Generative Oversampling for Imbalanced Data via Majority-Guided VAE [15.93867386081279]
  本稿では,多数派の指導のもと,新たなマイノリティサンプルを生成する,Majority-Guided VAE(MGVAE)と呼ばれる新しいオーバーサンプリングモデルを提案する。 このようにして、新しく生成されたマイノリティサンプルは、大多数のサンプルの多様性と豊かさを継承することができ、下流タスクにおける過度な適合を軽減できる。
  論文  参考訳（メタデータ） (2023-02-14T06:35:23Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• Counterfactual-based minority oversampling for imbalanced classification [11.140929092818235]
  不均衡な分類におけるオーバーサンプリングの重要な課題は、新しい少数派標本の生成が多数派クラスの使用を無視することが多いことである。 対物理論に基づく新しいオーバーサンプリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-21T14:13:15Z)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。