論文の概要: CBE: A Complexity-adaptive Boundary-aware Ensemble Method for Imbalanced Data

• arxiv url: http://arxiv.org/abs/2610.39466v1
• Date: Thu, 29 Oct 2026 06:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.468789
• Title: CBE: A Complexity-adaptive Boundary-aware Ensemble Method for Imbalanced Data
• Title（参考訳）: CBE:不均衡データに対する複雑適応境界対応アンサンブル法
• Abstract要約: 多くの実世界の分類タスクにおいて、データセットはクラス不均衡を示し、従来の学習アルゴリズムの一般化性能を低下させることができる。 本稿では,サンプリング重み分布とデータ複雑性を関連付ける,複雑性適応型境界対応アンサンブル(CBE)フレームワークを提案する。 さらに、複数のレベルのメトリクスを組み合わせて、不均衡なデータセットを3つのカテゴリに分割する、全体的な複雑性測定も導入しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In many real-world classification tasks, datasets exhibit class imbalance, which can degrade the generalization performance of conventional learning algorithms. Data complexity has recently been recognized as a more objective indicator of learning difficulty than the imbalance ratio alone, because class overlap and complex decision boundaries often impair classifiers more severely than imbalance itself. Samples near the decision boundary are inherently difficult to classify, which has motivated many researchers to focus on such instances to improve classifier performance. However, most under-sampling approaches fail to differentiate their sampling of boundary samples across datasets of varying complexity. To overcome this limitation, we propose a complexity-adaptive boundary-aware ensemble (CBE) framework that links the sampling weight distribution to data complexity and dynamically adjusts the boundary preference of under-sampling accordingly. We also introduce an overall complexity measure that combines metrics at multiple levels and use it to divide imbalanced datasets into three categories. Extensive experiments on 24 benchmark datasets from UCI and KEEL show that the proposed method outperforms many existing methods in terms of F-measure and G-mean on Easy and Median datasets, without degrading performance on hard cases.
• Abstract（参考訳）: 多くの実世界の分類タスクにおいて、データセットはクラス不均衡を示し、従来の学習アルゴリズムの一般化性能を低下させることができる。 データ複雑性は、クラスオーバーラップと複雑な決定境界が、不均衡自体よりも深刻な分類を損なうことが多いため、不均衡比単独よりも学習の難しさの客観的な指標として認識されている。 決定境界付近のサンプルは本質的に分類が難しいため、多くの研究者が分類器の性能を改善するためにそのようなインスタンスに集中する動機となっている。 しかし、ほとんどのアンダーサンプリングアプローチは、様々な複雑さのデータセットをまたいだ境界サンプルのサンプリングを区別することができない。 この制限を克服するために、サンプリング重量分布とデータ複雑性をリンクし、アンダーサンプリングのバウンダリ嗜好を動的に調整する、複雑性適応型境界対応アンサンブル(CBE)フレームワークを提案する。 さらに、複数のレベルのメトリクスを組み合わせて、不均衡なデータセットを3つのカテゴリに分割する、全体的な複雑性測定も導入しています。 UCIとKEELの24のベンチマークデータセットに対する大規模な実験により、提案手法は、ハードケースのパフォーマンスを低下させることなく、F測定とG平均の面で多くの既存手法より優れていることが示された。

関連論文リスト

• Nearly Optimal Sample Complexity for Learning with Label Proportions [54.67830198790247]
  トレーニングセットの例をバッグにグループ化する部分情報設定であるLLP(Learning from Label Proportions)について検討する。 部分的な可観測性にもかかわらず、ゴールは個々の例のレベルで小さな後悔を達成することである。 我々は, LLPの2乗損失下でのサンプル複雑性について, 標本複雑性が本質的に最適であることを示す。
  論文  参考訳（メタデータ） (2025-05-08T15:45:23Z)
• P$^2$OT: Progressive Partial Optimal Transport for Deep Imbalanced Clustering [16.723646401890495]
  深層クラスタリングのための新しい擬似ラベル学習フレームワークを提案する。 本フレームワークは,高信頼度サンプルから不均衡を意識した擬似ラベルと学習を生成する。 CIFAR100を含む様々なデータセットの実験は,本手法の優位性を実証している。
  論文  参考訳（メタデータ） (2024-01-17T15:15:46Z)
• 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)
• A Hybrid Approach for Binary Classification of Imbalanced Data [0.0]
  本稿では,データブロック構築,次元減少,アンサンブル学習を併用したハイブリットアプローチHADRを提案する。 我々は、8つの不均衡な公開データセットの性能をリコール、G平均、AUCで評価した。
  論文  参考訳（メタデータ） (2022-07-06T15:18:41Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Transductive Few-Shot Learning: Clustering is All You Need? [31.21306826132773]
  そこで本研究では,プロトタイプをベースとした超越的数ショット学習の汎用的定式化について検討する。 提案手法は, 精度と最適化の観点から, 大きな問題にスケールアップしながら, 競争性能を向上する。 驚いたことに、私たちの一般的なモデルは、最先端の学習と比較して、すでに競争力のあるパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2021-06-16T16:14:01Z)
• Beyond Worst-Case Analysis in Stochastic Approximation: Moment Estimation Improves Instance Complexity [58.70807593332932]
  近似問題に対する勾配に基づく手法のオラクル複雑性について検討する。 最悪のケースの複雑さではなく、インスタンス依存の複雑さに焦点を当てます。 提案アルゴリズムとその解析はモーメント推定の成功を理論的に正当化する。
  論文  参考訳（メタデータ） (2020-06-08T09:25:47Z)

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。