PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10808v1cs.LG

3채널 점수 충돌에서의 통제된 정보 획득과 판단 보류

Controlled Acquisition and Abstention in Three-Channel Score Conflicts

오디오, 비디오, 텍스트가 서로 일치하지 않을 때, 정확도만으로는 추가 소스를 획득해야 할지 또는 판단을 보류해야 할지 알 수 없다. 우리는 통제된 3점수 벤치마크에서 이러한 선택을 연구한다: 정책(policy)은 부호가 있는 두 개의 점수를 관찰하고, 비용을 들여 세 번째 점수를 요청할 수 있으며, 판단을 보류할 수도 있다. 주요 보상은 메커니즘에 특화되어 있다: 보류는 하나의 지정된 모호성(ambiguity) 메커니즘에 대해서만 정답으로 인정되며, 혼합 손상(mixed corruption) 상황에서는 불이익을 받는다. 매칭된 대조군(matched controls)은 임계값 정책(threshold policy)이 더 적은 요청으로도 항상 요청하는 방식과 동등한 성능을 보인다는 것을 보여준다; 항상 응답하는 융합(fusion) 방식에 대한 임계값 정책의 우위는 해당 모호성에 부여된 보상에 따라 달라진다. 부분적으로 홀드아웃된 합성 분할(synthetic split)에서, 임계값 정책은 83개의 시드(seed)에 걸쳐 목표 결정 정확도(targeted decision accuracy) 0.789 ± 0.006과 유틸리티(utility) 0.481 ± 0.014를 달성한다. 3점수 다수결 참조(majority reference)는 0.626 ± 0.008과 0.252 ± 0.016을 달성하지만, 더 많은 정보를 사용한다. 매칭된 예산(matched-budget) 테스트에서, 학습 전용(train-only) 가치 선택기(value selector)는 10%와 25% 예산에서 쿼리 없음(no-query) 및 매칭된 무작위(matched-random) 정책보다 유틸리티를 개선하는 반면, 쌍별 불확실성(pair uncertainty)은 모든 예산에서 더 높은 유틸리티를 보인다. 50%와 63.7% 예산에서는, 비모호(non-ambiguous) 정확도가 약간 더 높음에도 불구하고 선택기가 유틸리티를 낮춘다. 모든 보류가 오답으로 채점될 경우, 다수결이 유틸리티 측면에서 임계값 정책을 능가한다. 중심 시간적 설정(central temporal setting)에서, 전체 트레이스 대조군(full-trace controls)은 신경망 모델(neural models)과 일치하는 반면, 위치 교란(position perturbations)은 이들을 구분한다. 홀드아웃된 배우(actor)의 감정 클립에서, 8프레임 융합(eight-frame fusion)은 두 인코더 쌍(encoder pairs)에 대해 서로 반대 부호의 정확도 차이를 보이며, 두 배우 구간(actor intervals) 모두 0을 포함한다; 매칭된 요청 라우팅(matched-request routing)의 이득은 작고 불확실하다. 이러한 결과는 전체 모달리티(full-modality) 정확도와 요청 전 선택 가치(pre-request selection value)를 구분하며, 선택 가치가 예산과 관찰된 쌍(observed-pair) 순위에 따라 달라짐을 보여준다.

arXiv:2409.13007v3cs.LG공식 코드 · Papers with Code

iCost: 인스턴스 복잡도 기반 비용 민감 학습의 새로운 프레임워크

iCost: A Novel Instance-Complexity-Based Cost-Sensitive Learning Framework

클래스 불균형은 분류 작업에서 상당한 도전 과제를 제기하며, 종종 표준 학습 알고리즘이 다수 클래스 쪽으로 바이어스되게 만든다. 비용 민감 학습(CSL)은 소수 클래스 오분류에 더 높은 페널티를 부여함으로써 이 문제를 해결한다. 그러나 기존 CSL은 일반적으로 모든 소수 클래스 인스턴스에 균일한 페널티를 적용하여, 소수 클래스 샘플이 지역적 안전성, 중첩, 경계 모호성, 이상치와 유사한 행동 측면에서 상당히 다를 수 있다는 사실을 무시한다. 따라서 균일한 페널티 부여는 부당한 바이어스를 유발하여 오분류 수를 증가시킬 수 있다. 본 연구에서는 소수 클래스 샘플의 추정 학습 난이도에 따라 적응적 페널티를 부여하는 인스턴스 복잡도 인식 CSL 프레임워크인 iCost를 제안한다. 이 세밀한 페널티 부여 전략은 더 공정한 가중을 보장하고, 불필요한 바이어스를 줄이며, 전반적인 분류 성능을 향상시킨다. 지역 이웃 구성에 기반한 Neighbor-iCost와 Gini 불순도 기반 특징 공간 분할에 기반한 Gini-iCost라는 두 가지 상보적인 복잡도 추정 전략을 도입한다. 65개의 이진 및 10개의 다중 클래스 불균형 데이터셋에 대한 광범위한 실험에서 iCost는 기존 CSL을 명확한 마진으로 능가하며, 널리 사용되는 리샘플링 방법과도 높은 경쟁력을 유지한다. 재현성과 실용적 도입을 지원하기 위해 제안 알고리즘은 PyPI를 통해 scikit-learn 호환 Python 패키지로 공개되었다. 본 연구는 학습 과정에 인스턴스 수준의 데이터 복잡도를 통합함으로써 불균형 학습에 대한 새로운 관점을 제공하며, 불균형 분류를 위한 적응적이고 복잡도 인식 전략 개발의 새로운 방향을 연다.

arXiv:2506.01486v2cs.LG

Model-agnostic Mitigation Strategies of Data Imbalance for Regression

회귀 작업의 데이터 불균형으로 인한 모델 편향을 줄이기 위해 샘플링 기반·비용민감 학습을 정리하고, density-distance·density-ratio relevance function과 cSMOGN·crbSMOGN 완화 기법을 제안해 10개 합성·42개 실세계 데이터셋에서 신경망, XGBoost, Random Forest로 평가했다. 대부분의 전략은 희귀 구간 성능은 높이지만 빈번 구간은 떨어뜨리는 트레이드오프를 보이며, 완화 적용 모델과 미적용 모델의 앙상블로 이를 완화할 수 있고, 신경망에서는 density-ratio relevance function과 crbSMOGN이 기존 방법을 능가했다.