論文の概要: When Does Oversampling Help? A Decision Framework for Imbalanced Data Streams Under Label Delay and Concept Drift
- arxiv url: http://arxiv.org/abs/2611.17981v1
- Date: Fri, 13 Nov 2026 10:09:06 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:31:22.471889
- Title: When Does Oversampling Help? A Decision Framework for Imbalanced Data Streams Under Label Delay and Concept Drift
- Title(参考訳): オーバーサンプリングはいつ役に立つのか? ラベル遅延とコンセプトドリフトの下での不均衡なデータストリームのための決定フレームワーク
- Abstract要約: 連立クラス不均衡,コンセプトドリフト,ラベル遅延の下でのストリーミングオーバーサンプリングと連続的再評価を比較した。
再評価はドリフトアクティブストリームの遅延による損失を回復させるが,静止ストリームでは無音であることがわかった。
オーバーサンプリングによる再評価に対する限界的な貢献は、1つの実データ構成で統計的に検出できる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: For imbalanced data streams with delayed labels, is it worth adding a streaming oversampler, or does continuous re-evaluation of earlier predictions already recover the cost of the delay? We address this through an extensive experimental comparison of streaming oversampling and continuous re-evaluation under joint class imbalance, concept drift, and label delay. Streaming oversamplers are typically evaluated under the test-then-train assumption of immediate labels; their behaviour under these conditions, assessed through re-evaluation, has not been systematically studied. We close this gap with a decision framework that predicts when oversampling adds value over re-evaluation, organised around three axes: drift density, minority-class learnability, and delay relative to the refinement window, and operationalised as a competition between a recovery channel (re-evaluation) and a minority-coverage channel (oversampling). Evaluating $15$ classifiers on $6$ synthetic and $6$ real streams, we find: re-evaluation recovers delay-induced loss on drift-active streams but is silent on stationary ones; oversampling's marginal contribution over re-evaluation is statistically detectable in only one real-data configuration; and cost--performance Pareto recommendations from synthetic streams do not transfer to real data, where fronts partition by drift regime. Method selection should therefore be conditioned on the stream's profile and re-estimated as it evolves, not inherited from synthetic benchmarks.
- Abstract(参考訳): 遅延ラベルによる不均衡なデータストリームに対して、ストリーミングオーバーサンプリングを追加する価値はあるのでしょうか、あるいは、以前の予測を継続的に再評価することで、遅延のコストが回復するのでしょうか?
ストリーミングオーバサンプリングと連続的再評価を,共同クラス不均衡,コンセプトドリフト,ラベル遅延の下で広範囲に比較し,この問題に対処する。
ストリームオーバサンプラーは通常、即時ラベルの試行的な仮定の下で評価されるが、これらの条件下での振る舞いは再評価によって評価され、体系的に研究されていない。
このギャップを、リカバリ(再評価)とマイノリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリカリ)の3軸を中心に編成された3軸に編成した3つの決定枠組みで、そのギャップを閉じる。
6ドルの合成ストリームと6ドルの実ストリームで15ドルの分類器を評価すると、再評価は、ドリフトアクティブストリームで遅延による損失を回復するが、定常的なストリームでは無音である、再評価に対するオーバーサンプリングの限界貢献は、1つの実データ構成で統計的に検出可能である、合成ストリームからのコストパフォーマンスのParetoレコメンデーションは、ドリフトレシエーションによって分割されたデータに転送されない、といったことが分かる。
したがって、メソッドの選択はストリームのプロファイルに条件付けされ、それが進化するにつれて再推定され、合成ベンチマークから受け継がれるべきではない。
関連論文リスト
- Prediction-Powered LLM Ranking with Adaptively Collected Human Feedback [8.608570097904266]
予測パワーランキング(PP-Rank)は、予測と人間のフィードバックを組み合わせて精度を向上させるフレームワークである。
PP-Rankは精度を犠牲にすることなく評価コストを大幅に削減できることを示す。
論文 参考訳(メタデータ) (2026-11-09T20:06:11Z) - DataCupid: Stable Matching Repair for Training Data Acquisition with Delayed Feedback [16.067948017995192]
我々は,有界,おそらく報酬に依存した報告遅延を伴う無効化と,将来の一致能力を占有しない継続評価について検討する。
残負荷補修(Residualload repair, RLR)は、不平等なサンプル欠陥に対するバッチマッチングスケジュールと音響結果証明を組み合わせる。
論文 参考訳(メタデータ) (2026-10-09T03:59:10Z) - InvFlowFD: Reference-Free and Background-Set-Free Perceptual Music Quality Metric with Flow Matching Inversion [28.58617981784364]
本稿では,事前学習したフローマッチングバックボーンのみを用いて,バックグラウンドセットフリーで参照フリーな品質推定を行う手法を提案する。
非条件のフローマッチングインバージョンは、様々な人工的歪みを検出し、人間の知覚的判断に対して正確な音楽生成モデルをランク付けするのに十分であることを示す。
以上の結果から,InvFlowFDは音の歪みに対する人間の知覚や生成モデルの品質と高い相関性を示し,既存の指標よりも柔軟性と制約性が低いことが示唆された。
論文 参考訳(メタデータ) (2026-08-04T18:50:14Z) - Towards Real-World RUL Prediction for Aircraft Compressors Under Variable Conditions with Physics-Guided Domain Adaptation [3.6392601464131737]
本稿では,物理誘導処理と適応時間符号化を組み合わせたフレームワークを提案する。
人口レベルの選別手順は、サージマージンを艦隊全体で最も一貫した劣化指標とみなしている。
構造的クロスドメイン評価は、符号化周期ミスマッチを、艦隊移動時の性能損失の第一のメカニズムとして特定する。
論文 参考訳(メタデータ) (2026-07-12T03:05:07Z) - TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。
モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
論文 参考訳(メタデータ) (2026-06-17T06:16:16Z) - EviTrack: Selection over Sampling for Delayed Disambiguation [0.0]
テスト時間推論フレームワークであるEviTrackを導入する。
一致した推論予算では、EviTrackはサンプリングベースベースラインを大幅に上回る。
論文 参考訳(メタデータ) (2026-05-19T03:01:42Z) - Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。
本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13~15%削減する。
論文 参考訳(メタデータ) (2026-02-19T18:32:26Z) - SynDelay: A Synthetic Dataset for Delivery Delay Prediction [50.56729406793283]
配送遅延予測のための合成データセットであるSynDelayを提案する。
これはサプライチェーンAIにおけるデータセットの共有とベンチマークを促進するオープンイニシアチブである。
論文 参考訳(メタデータ) (2025-08-30T21:54:37Z) - Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。
FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。
我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文 参考訳(メタデータ) (2025-08-25T02:55:42Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z)
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。