論文の概要: Usefulness of Quantile-Aware Diffusion Modeling for Highly Imbalanced Tabular Data

• arxiv url: http://arxiv.org/abs/2610.05825v1
• Date: Mon, 05 Oct 2026 05:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:01:42.562418
• Title: Usefulness of Quantile-Aware Diffusion Modeling for Highly Imbalanced Tabular Data
• Title（参考訳）: 高不均衡タブラルデータに対する量子認識拡散モデルの有用性
• Abstract要約: 高度に不均衡なデータの文脈における分類問題は、多くの現実世界のアプリケーションにおいて大きな課題である。 本稿では,量子規則化の目的に基づく新しいアプローチ,すなわちQuantile-TabDDPMを提案する。
• 参考スコア（独自算出の注目度）: 2.579311291240392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification problem in the context of highly imbalanced data is a major challenge in many real-world applications (e.g., FinTech, healthcare, etc.). In these cases, the vast majority of instances belong to a single class and a small fraction represent the minority class (often the most critical class). Recently, diffusion models have emerged as powerful approaches to reduce the degree of ``imbalanced-ness'' in the dataset; they work by generating synthetic data by capturing complex data distributions using iterative transformations. However, standard diffusion models are not inherently suited to highly skewed or heavy-tailed data, due to inbuilt quadratic error loss, which lacks the structural sensitivity to capture rare, extreme values, and minority-class nuances. We propose a novel approach, namely, Quantile-TabDDPM, based on a quantile-regularized denoising objective that combines the standard quadratic error loss with a quantile loss term to explicitly capture rare events while preserving the theoretical grounding of the original denoising objective. We extensively evaluated our approach on a real-world credit card transaction dataset characterized by extreme class imbalance. The results demonstrate that the integration of diffusion-based synthetic data generation with a quantile-regularized denoising objective provides a robust and effective framework for fraud detection in highly imbalanced datasets.
• Abstract（参考訳）: 高度に不均衡なデータのコンテキストにおける分類問題は、多くの現実世界のアプリケーション(例えば、フィンテック、ヘルスケアなど)において大きな課題である。 これらの場合、ほとんどのインスタンスは単一のクラスに属し、少数のインスタンスは少数クラス(しばしば最も重要なクラス)を表す。 近年、拡散モデルはデータセットの'不均衡'の度合いを下げるための強力なアプローチとして現れており、反復変換を用いて複雑なデータ分布をキャプチャして合成データを生成する。 しかし、標準拡散モデルは、まれ、極端な値、マイノリティ階級のニュアンスを捉える構造的感度に欠ける2次誤差損失が組み込まれているため、高度に歪んだデータや重み付きデータには本質的に適していない。 本稿では,従来の2次誤差損失と2次誤差損失項を組み合わせた量子正規化目的に基づく新しい手法,すなわちQuantile-TabDDPMを提案する。 我々は,過度のクラス不均衡を特徴とする現実のクレジットカード取引データセットに対して,我々のアプローチを広範囲に評価した。 その結果、拡散に基づく合成データ生成と量子規則化復号化目標の統合は、高度に不均衡なデータセットにおける不正検出のための堅牢で効果的なフレームワークを提供することを示した。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• More Data or Better Algorithms: Latent Diffusion Augmentation for Deep Imbalanced Regression [0.0]
  多くの実世界の回帰タスクでは、データ分布は著しく歪められ、モデルは大多数のサンプルから主に学習される。 このフレームワークは、優先度ベース生成を用いた条件拡散モデルを用いて、遅延表現空間における高品質な特徴を合成する。 3つのDIRベンチマークの実験は、全体の精度を維持しながら少数地域の大幅な改善を示している。
  論文  参考訳（メタデータ） (2025-09-27T10:44:28Z)
• 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)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Error Distribution Smoothing:Advancing Low-Dimensional Imbalanced Regression [2.435853975142516]
  実世界の回帰タスクでは、データセットは頻繁に不均衡な分布を示し、その特徴は、高複雑さ領域におけるデータの不足と低複雑さ領域における量の不足である。 データ密度のみに焦点をあてる従来の定義を超えて、問題の複雑さとデータポイントの密度の両方を考慮に入れた「不均衡回帰」という新しい概念を導入する。 本研究では,不均衡な回帰に対処するための解として誤り分布平滑化(EDS)を提案し,バランスと代表性を保ちながら,データセットから代表サブセットを効果的に選択し冗長性を低減する。
  論文  参考訳（メタデータ） (2025-02-04T12:40:07Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Data-driven learning of robust nonlocal physics from high-fidelity synthetic data [3.9181541460605116]
  非局所モデルに対する主要な課題は、それらを第一原理から導き出す解析的複雑さであり、しばしばそれらの使用は後続法として正当化される。 本研究では、データから非局所モデルを取り出し、これらの課題を回避し、結果のモデルフォームに対するデータ駆動的正当化を提供する。
  論文  参考訳（メタデータ） (2020-05-17T22:53:14Z)

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。