データ駆動型セグメンテーションによる回帰拡張

科学分野:

• 機械学習
• データサイエンス
• 人工知能

背景:

• 不均衡回帰は、ターゲット分布が偏っている場合に発生し、過小評価されているサンプルのモデルパフォーマンスを低下させます。
• 現在の方法では、しばしば任意の閾値が使用され、まれなデータの複雑な特徴-ターゲット関係を捉えることができません。
• この制限は、まれなイベントの正確な予測を必要とするさまざまなアプリケーションに影響を与えます。

研究 の 目的:

• 不均衡回帰のための完全にデータ駆動型のフレームワークを開発し、マイノリティサンプルを自動的に特定して充実させる。
• 既存のデータ拡張技術における固定閾値の限界を克服する。
• 偏ったデータセットでの機械学習モデルのパフォーマンスを向上させる。

主な方法:

• 生成モデル（GAN）ベースの拡張フレームワークを提案します。
• マハラノビス-ガウス混合モデリング（GMM）を使用して、マイノリティサンプルを自動的に特定します。
• 決定論的最近傍マッチングを使用して、スパースデータ領域を充実させます。

主要な成果:

• 提案手法は、事前に設定された閾値に依存することなく、真にまれな観測値を特定することに成功しました。
• 32のベンチマーク不均衡回帰データセットで評価されたこのフレームワークは、優れたパフォーマンスを示しました。
• 不均衡回帰タスクにおける既存の最先端のデータ拡張技術を上回りました。

結論:

• マハラノビス-GMMを備えた提案されたGANベースのフレームワークは、不均衡回帰のための堅牢でデータ駆動型のソリューションを提供します。
• このアプローチは、マイノリティサンプルを正確に特定および拡張することにより、過小評価されているサンプルの課題に効果的に対処します。
• この方法は、現実世界の偏ったデータシナリオにおける機械学習モデルのパフォーマンスを向上させる上で大きな可能性を示しています。