PulseAugur
中
实时 10:00:30
English(EN) RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification

新的RUBRIC框架通过优化合成样本质量来改进不平衡分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了RUBRIC，一个旨在提高不平衡数据集分类准确性的新框架，例如欺诈检测和医学诊断。该方法侧重于优化用于重新平衡类别分布的合成样本的质量，而不是简单地增加其数量。RUBRIC根据现实性（由学习到的判别器评估）和效用（通过与决策边界的接近度衡量）之间的平衡来对这些合成样本进行排名。在各种基准测试上的实验表明，RUBRIC在保持具有竞争力的ROC-AUC的同时，提高了F1-macro和召回率分数。 AI

排序理由 该集群包含一篇详细介绍不平衡分类新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的RUBRIC框架通过优化合成样本质量来改进不平衡分类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yanxuan Yu, Dong liu, Renata Borovica-Gajic, Ying Nian Wu ·

    RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification

    arXiv:2607.09816v1 Announce Type: new Abstract: Class imbalance poses a fundamental challenge in risk-sensitive applications such as fraud detection and medical diagnosis, where minority-class samples are scarce yet critical for accurate classification. Existing oversampling meth…

相关话题