Fugu-MT 論文翻訳(概要): ML-CLAPPS: A Probabilistic Framework for Imbalanced Multilabel Learning under Class Prioritization

論文の概要: ML-CLAPPS: A Probabilistic Framework for Imbalanced Multilabel Learning under Class Prioritization

arxiv url: http://arxiv.org/abs/2610.15816v1
Date: Sun, 11 Oct 2026 18:15:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-19 16:03:18.812994
Title: ML-CLAPPS: A Probabilistic Framework for Imbalanced Multilabel Learning under Class Prioritization
Title（参考訳）: ML-CLAPPS: クラス優先下での不均衡なマルチラベル学習のための確率的フレームワーク
Abstract要約: モデルのクラスへの露出を制御するためにトレーニングインスタンス上の分布を最適化する学習可能なサンプルであるMultilabel Class-Prioritized Probabilistic Sampler (ML-CLAPPS)を紹介した。本研究は,クラス露出と特定の重要ベクトルとの整合性を示し,クラス重要度を増大させることで,その分類性能が向上することを示す。
参考スコア（独自算出の注目度）: 5.665406321048927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real-world datasets often exhibit severe class imbalance, degrading the performance of deep learning models, particularly on rare classes. While imbalance is well studied in binary and multiclass settings, it is substantially more challenging in multilabel problems due to complex label co-occurrence. In clinical applications such as ECG classification, this challenge is coupled with a second critical challenge: the need to prioritize high-risk conditions, regardless of their prevalence, to mitigate the high cost of false negatives. We introduce the Multilabel Class-Prioritized Probabilistic Sampler (ML-CLAPPS), a learnable sampler that optimizes a distribution over training instances to control the model's exposure to different classes. This approach addresses multilabel imbalance while enabling prioritization of significant conditions via a user-defined importance vector (IV). Empirical evaluation on a real-world multilabel ECG image dataset demonstrates that ML-CLAPPS achieves state-of-the-art performance. We show that it aligns class exposure with the specified IV, and that increasing a class's importance leads to corresponding improvements in its classification performance, enabling explicit prioritization of clinically critical conditions.
Abstract（参考訳）: 実世界のデータセットは、しばしば深刻なクラス不均衡を示し、特に稀なクラスにおいて、ディープラーニングモデルの性能を低下させる。不均衡は、バイナリとマルチクラスの設定においてよく研究されているが、複雑なラベル共起による多重ラベル問題では、かなり困難である。 ECG分類などの臨床応用において、この課題は2つ目の重要な課題と結びついている。モデルのクラスへの露出を制御するために、トレーニングインスタンス上の分布を最適化する学習可能なサンプルであるMultilabel Class-Prioritized Probabilistic Sampler (ML-CLAPPS)を導入する。このアプローチは、ユーザ定義重要ベクトル(IV)を介して重要な条件の優先順位付けを可能にしながら、マルチラベルの不均衡に対処する。実世界のマルチラベルECG画像データセットの実証評価は、ML-CLAPPSが最先端のパフォーマンスを達成することを示す。本研究は, クラス曝露と特定IV値との整合性を示し, クラスの重要性を高めることにより, 分類性能が向上し, 臨床上重要な疾患の明確な優先順位付けが可能となった。

関連論文リスト

Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
論文参考訳（メタデータ） (2025-12-19T16:58:31Z)
Unleashing the Power of Vision-Language Models for Long-Tailed Multi-Label Visual Recognition [55.189113121465816]
本稿では,長い尾を持つ多ラベル視覚認識のための新しい相関適応プロンプトネットワーク(CAPNET)を提案する。 CAPNETはCLIPのテキストエンコーダからの相関を明示的にモデル化する。テスト時間アンサンブルによる一般化を改善し、視覚・テクスチャのモダリティを実現する。
論文参考訳（メタデータ） (2025-11-25T18:57:28Z)
CXR-CML: Improved zero-shot classification of long-tailed multi-label diseases in Chest X-Rays [3.196204482566275]
臨床所見の分布におけるクラス不均衡は,自己教師型ディープラーニングモデルにおいて重要な課題である。本稿では,潜在空間内のクラス分布と直接整合するクラス重み付け機構を提案する。提案手法では,MIMIC-CXR-JPGデータセットの40クラスで0ショットAUCスコアが7%向上した。
論文参考訳（メタデータ） (2025-07-25T16:05:47Z)
In-Context Learning for Label-Efficient Cancer Image Classification in Oncology [1.741659712094955]
In-context Learning (ICL) は、ドメイン固有の診断タスクに対するモデル再トレーニングの実用的な代替手段である。視覚言語モデル(VLM)-Paligemma, CLIP, ALIGN, GPT-4o の評価を行った。 ICLは、サイズが小さいにもかかわらず競争力の向上を示し、計算に制約のある臨床環境への展開の可能性を示した。
論文参考訳（メタデータ） (2025-05-08T20:49:01Z)
Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文参考訳（メタデータ） (2025-03-28T07:23:07Z)
Salvaging the Overlooked: Leveraging Class-Aware Contrastive Learning for Multi-Class Anomaly Detection [18.797864512898787]
異常検出では、初期のアプローチは個々のクラスの別々のモデルを訓練し、高いパフォーマンスを得るが、スケーラビリティとリソース管理の課題を提起する。本研究は, 階層間混乱を解消する手法として, 再構築手法で観測されたこの性能について検討する。この混乱は、マルチクラスのシナリオで訓練されたモデルが、あるクラスのサンプルを別のクラスとして誤って再構成すると、再構成エラーが悪化する。原対象のカテゴリ情報(例えばカーペットや木)を明示的に活用することにより、局所CLを導入し、マルチスケールの高密度特徴を洗練させ、グローバルCLを導入し、通常のパターンのよりコンパクトな特徴表現を得ることにより、モデルをマルチクラスに効果的に適応させる。
論文参考訳（メタデータ） (2024-12-06T04:31:09Z)
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)
Complementary Labels Learning with Augmented Classes [22.460256396941528]
補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
論文参考訳（メタデータ） (2022-11-19T13:55:27Z)
Class-Imbalanced Complementary-Label Learning via Weighted Loss [8.934943507699131]
補完ラベル学習(Complementary-label Learning, CLL)は、弱い教師付き分類において広く用いられている。クラス不均衡のトレーニングサンプルに直面すると、現実世界のデータセットでは大きな課題に直面します。多クラス分類のためのクラス不均衡補完ラベルからの学習を可能にする新しい問題設定を提案する。
論文参考訳（メタデータ） (2022-09-28T16:02:42Z)
PercentMatch: Percentile-based Dynamic Thresholding for Multi-Label Semi-Supervised Classification [64.39761523935613]
トレーニング中の各クラスに対する正と負の擬似ラベルのスコア閾値を動的に変更するためのパーセンタイルベースのしきい値調整手法を提案する。近年のSSL方式と比較して, Pascal VOC2007 と MS-COCO のデータセットの性能は高い。
論文参考訳（メタデータ） (2022-08-30T01:27:48Z)
Deep Reinforcement Learning for Multi-class Imbalanced Training [64.9100301614621]
我々は、極めて不均衡なデータセットをトレーニングするために、強化学習に基づく不均衡な分類フレームワークを導入する。特注報酬関数とエピソード学習手順を定式化し、特にマルチクラス不均衡トレーニングを扱えるようにした。実世界の臨床ケーススタディを用いて,提案手法が現状の非バランス学習法より優れていることを示す。
論文参考訳（メタデータ） (2022-05-24T13:39:59Z)

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。