Buchumschlag

Deep Minimax Classifiers for Imbalanced Datasets with a Small Number of Minority Samples

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Choi, Hansung, Seo, Daewon
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Region-of-Interest-Guided Deep Joint Source-Channel Coding for Image Transmission
von: Choi, Hansung, et al.
Veröffentlicht: (2025)

Feature Importance-Aware Deep Joint Source-Channel Coding for Computationally Efficient and Adjustable Image Transmission
von: Choi, Hansung, et al.
Veröffentlicht: (2025)

MRCpy: A Library for Minimax Risk Classifiers
von: Bondugula, Kartheek, et al.
Veröffentlicht: (2021)

Ensemble of Small Classifiers For Imbalanced White Blood Cell Classification
von: Srivastava, Siddharth, et al.
Veröffentlicht: (2026)

Efficient Large-Scale Learning of Minimax Risk Classifiers
von: Bondugula, Kartheek, et al.
Veröffentlicht: (2025)

Adaptive Cluster-Based Synthetic Minority Oversampling Technique for Traffic Mode Choice Prediction with Imbalanced Dataset
von: Ooi, Guang An, et al.
Veröffentlicht: (2025)

Using Temperature Sampling to Effectively Train Robot Learning Policies on Imbalanced Datasets
von: Patil, Basavasagar, et al.
Veröffentlicht: (2025)

Learning Majority-to-Minority Transformations with MMD and Triplet Loss for Imbalanced Classification
von: Cha, Suman, et al.
Veröffentlicht: (2025)

Imbalance in Regression Datasets
von: Kowatsch, Daniel, et al.
Veröffentlicht: (2024)

SMOGAN: Synthetic Minority Oversampling with GAN Refinement for Imbalanced Regression
von: Alahyari, Shayan, et al.
Veröffentlicht: (2025)

Correcting Performance Estimation Bias in Imbalanced Classification with Minority Subconcepts
von: Maxson, Taylor, et al.
Veröffentlicht: (2026)

Near-Optimal Algorithms for Making the Gradient Small in Stochastic Minimax Optimization
von: Chen, Lesi, et al.
Veröffentlicht: (2022)

A Survey on Small Sample Imbalance Problem: Metrics, Feature Analysis, and Solutions
von: Zhao, Shuxian, et al.
Veröffentlicht: (2025)

Data Augmentation with Variational Autoencoder for Imbalanced Dataset
von: Stocksieker, Samuel, et al.
Veröffentlicht: (2024)

Confronting Discrimination in Classification: Smote Based on Marginalized Minorities in the Kernel Space for Imbalanced Data
von: Zhong, Lingyun
Veröffentlicht: (2024)

Exactly Minimax-Optimal Locally Differentially Private Sampling
von: Park, Hyun-Young, et al.
Veröffentlicht: (2024)

Evaluating Synthetic Tabular Data Generated To Augment Small Sample Datasets
von: Marin, Javier
Veröffentlicht: (2022)

Offline Reinforcement Learning with Imbalanced Datasets
von: Jiang, Li, et al.
Veröffentlicht: (2023)

Optimal Representations for Generalized Contrastive Learning with Imbalanced Datasets
von: Nguyen, Thuan, et al.
Veröffentlicht: (2026)

Sampling Imbalanced Data with Multi-objective Bilevel Optimization
von: Medlin, Karen, et al.
Veröffentlicht: (2025)

Minimax-Optimal Two-Sample Test with Sliced Wasserstein
von: Tran, Binh Thuan, et al.
Veröffentlicht: (2025)

Offline Estimation of Controlled Markov Chains: Minimaxity and Sample Complexity
von: Banerjee, Imon, et al.
Veröffentlicht: (2022)

Adversarial Robustification via Text-to-Image Diffusion Models
von: Choi, Daewon, et al.
Veröffentlicht: (2024)

Uncertainty Voting Ensemble for Imbalanced Deep Regression
von: Jiang, Yuchang, et al.
Veröffentlicht: (2023)

Deep SOR Minimax Q-learning for Two-player Zero-sum Game
von: Gautam, Saksham, et al.
Veröffentlicht: (2025)

Comparative Evaluation of Machine Learning Approaches for Minority-Class Financial Distress Prediction Under Class Imbalance Constraints
von: Sehgal, Karan, et al.
Veröffentlicht: (2026)

Fair for a few: Improving Fairness in Doubly Imbalanced Datasets
von: Yalcin, Ata, et al.
Veröffentlicht: (2025)

Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression
von: Stocksieker, Samuel, et al.
Veröffentlicht: (2025)

ConR: Contrastive Regularizer for Deep Imbalanced Regression
von: Keramati, Mahsa, et al.
Veröffentlicht: (2023)

Multi-Label Adaptive Batch Selection by Highlighting Hard and Imbalanced Samples
von: Zhou, Ao, et al.
Veröffentlicht: (2024)

Investigating the Impact of Hard Samples on Accuracy Reveals In-class Data Imbalance
von: Pukowski, Pawel, et al.
Veröffentlicht: (2024)

Upsample or Upweight? Balanced Training on Heavily Imbalanced Datasets
von: Li, Tianjian, et al.
Veröffentlicht: (2024)

An Efficient NAS-based Approach for Handling Imbalanced Datasets
von: Yao, Zhiwei
Veröffentlicht: (2024)

Boosting, Voting Classifiers and Randomized Sample Compression Schemes
von: da Cunha, Arthur, et al.
Veröffentlicht: (2024)

E-Valuating Classifier Two-Sample Tests
von: Pandeva, Teodora, et al.
Veröffentlicht: (2022)

Cyber Security Data Science: Machine Learning Methods and their Performance on Imbalanced Datasets
von: Lopez-Ledezma, Mateo, et al.
Veröffentlicht: (2025)

CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets
von: Devic, Milosh, et al.
Veröffentlicht: (2026)

CCNETS: A Modular Causal Learning Framework for Pattern Recognition in Imbalanced Datasets
von: Park, Hanbeot, et al.
Veröffentlicht: (2024)

Minimax Generalized Cross-Entropy
von: Bondugula, Kartheek, et al.
Veröffentlicht: (2026)

MIDAS: Misalignment-based Data Augmentation Strategy for Imbalanced Multimodal Learning
von: Hwang, Seong-Hyeon, et al.
Veröffentlicht: (2025)