論文の概要: Local data augmentation for imbalanced binary classification

• arxiv url: http://arxiv.org/abs/2610.26418v1
• Date: Mon, 19 Oct 2026 13:49:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 17:52:14.139321
• Title: Local data augmentation for imbalanced binary classification
• Title（参考訳）: 不均衡二分分類のための局所データ拡張
• Abstract要約: 局所的なデータ拡張は最終結果に影響を及ぼすことが証明されている。 合成データに関する実験は、アンカーポイントをサブサンプリングするためのいくつかの戦略の実用的性能を示している。
• 参考スコア（独自算出の注目度）: 0.5352699766206807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facing imbalanced binary classification, we aim at maximizing the recall while limiting the proportion of false detections in the minority class. For doing that, the present work studies the effect of several rebalancing strategies, from the uniform subsampling of the observations from the minority class, to a more involved local data augmentation scheme. To be more specific, we establish that only rebalancing class proportions cannot modify the classification performance, whereas local data augmentation is proved to have an impact on the final results. The local augmentation scheme is introduced by means of a two-step procedure. The first step randomly subsamples anchor points among the training observations. These anchor points are used in the second step, for drawing new augmentation data following an ''augmentation kernel'' to be specified. This enables us to decouple the impact of the anchor points subsampling from the one of drawing augmentation data accounting (or not) for the local geometry of the support. The experiments on synthetic data illustrate the practical performance of several strategies for subsampling anchor points combined with either a Gaussian or a diffusion-based augmentation kernel. Compared to SMOTE-like data augmentation procedures, a better performance is achieved when subsampling in the close neighborhood to the classification boundary combined with a Gaussian augmentation kernel. Furthermore in specific settings where the geometric structure of the support matters, the experimental results show that using a diffusion-based augmentation kernel outperforms the Gaussian one.
• Abstract（参考訳）: 不均衡な二分分類に直面すると、少数民族における誤検出の割合を抑えながら、リコールの最大化を図る。 そこで本研究では,少数層からの観測結果の均一なサブサンプリングから,より関連性の高い局所データ拡張スキームに至るまで,いくつかの再バランス戦略の効果について検討する。 より具体的には、クラス比率の再バランスだけが分類性能を変更できないのに対して、局所的なデータ拡張は最終的な結果に影響を及ぼすことが証明された。 局所的な拡張スキームは2段階の手順によって導入される。 第1ステップは、トレーニング観察中のアンカーポイントをランダムにサブサンプリングする。 これらのアンカーポイントは第2ステップで使用され、指定すべき'拡張カーネル'に続く新しい拡張データを描画する。 これにより、アンカーポイントのサブサンプリングによる影響を、サポートの局所幾何学のための拡張データアカウンティング(あるいはそうでない)の描画から切り離すことができる。 合成データの実験は、ガウスまたは拡散に基づく拡張カーネルと組み合わせたアンカーポイントのサブサンプリングのためのいくつかの戦略の実践的性能を示す。 SMOTEライクなデータ拡張処理と比較して、近辺から分類境界へのサブサンプリングとガウス拡張カーネルの併用により、より良い性能が得られる。 さらに, 支持体の幾何学的構造が重要となる特定の環境では, 拡散に基づく拡張カーネルの使用がガウス的カーネルよりも優れていることを示す実験結果が得られた。

関連論文リスト

• HSFM: Hard-Set-Guided Feature-Space Meta-Learning for Robust Classification under Spurious Correlations [25.503211313768062]
  本稿では,特徴空間で直接拡張を行う二段階メタラーニング手法を提案する。 ピクセル空間ではなくバックボーン出力で操作することで、この手法は非常に効率的で安定であり、1つのGPUで数分のトレーニングしか必要としない。
  論文  参考訳（メタデータ） (2026-03-31T06:32:56Z)
• Score Augmentation for Diffusion Models [36.66701387426494]
  拡散モデルに特化して設計された新しいデータ拡張フレームワークであるScore Augmentation(ScoreAug)を提案する。 ScoreAugはノイズの多いデータに変換を適用する。 実験では、CIFAR-10、FFHQ、AFHQv2、ImageNetなどの複数のベンチマークでScoreAugを広範囲に検証した。
  論文  参考訳（メタデータ） (2025-08-11T12:39:46Z)
• The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
  ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。 入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。 新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
  論文  参考訳（メタデータ） (2023-09-28T22:41:47Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Boosting the Discriminant Power of Naive Bayes [17.43377106246301]
  本稿では,スタックオートエンコーダを用いた特徴拡張手法を提案し,データ中のノイズを低減し,ベイズの識別力を高める。 実験結果から,提案手法は最先端のベイズ分類器よりも大きく,かつ一貫した性能を示した。
  論文  参考訳（メタデータ） (2022-09-20T08:02:54Z)
• Reprint: a randomized extrapolation based on principal components for data augmentation [19.797216197418926]
  本稿では,不均衡なデータ分類のための,シンプルで効果的な隠れ空間データ拡張手法を提案する。 各クラス内のサンプルの隠れスペース表現を与えられたREPRINTは、ランダムな方法で、ターゲットクラスの拡張例を外挿する。 この方法は、拡張例のために新しい軟質ラベルを合成できるラベル改質成分を含む。
  論文  参考訳（メタデータ） (2022-04-26T01:38:47Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)

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。