Buchumschlag

Synthetic Augmentation in Imbalanced Learning: When It Helps, When It Hurts, and How Much to Add

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ma, Zhengchi, Zhang, Anru R.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Bias-Corrected Data Synthesis for Imbalanced Learning
von: Lyu, Pengfei, et al.
Veröffentlicht: (2025)

Optimal Estimation of Shared Singular Subspaces across Multiple Noisy Matrices
von: Ma, Zhengchi, et al.
Veröffentlicht: (2024)

Honesty in Causal Forests: When It Helps and When It Hurts
von: Hou, Yanfang, et al.
Veröffentlicht: (2025)

Statistical Inference for Fuzzy Clustering
von: Wu, Qiuyi, et al.
Veröffentlicht: (2026)

PRCD-MAP: Learning How Much to Trust Imperfect Priors in Causal Discovery
von: Shan, Xihang, et al.
Veröffentlicht: (2026)

Optimal Sparse Singular Value Decomposition for High-dimensional High-order Data
von: Zhang, Anru, et al.
Veröffentlicht: (2018)

How Much Is Too Much? Adaptive, Context-Aware Risk Detection in Naturalistic Driving
von: Kalantari, Amir Hossein, et al.
Veröffentlicht: (2025)

Tensor-on-Tensor Regression: Riemannian Optimization, Over-parameterization, Statistical-computational Gap, and Their Interplay
von: Luo, Yuetian, et al.
Veröffentlicht: (2022)

Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction
von: Dharmakeerthi, Kulunu, et al.
Veröffentlicht: (2024)

Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$ Tensor Perturbation Bound
von: Agterberg, Joshua, et al.
Veröffentlicht: (2022)

Tensor Decomposition with Unaligned Observations
von: Tang, Runshi, et al.
Veröffentlicht: (2024)

Not Just How Much, But Where: Decomposing Epistemic Uncertainty into Per-Class Contributions
von: Toure, Mame Diarra, et al.
Veröffentlicht: (2026)

Adaptive Experimentation When You Can't Experiment
von: Zhao, Yao, et al.
Veröffentlicht: (2024)

Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction
von: Zuo, Shuozhi, et al.
Veröffentlicht: (2026)

Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model
von: Tang, Runshi, et al.
Veröffentlicht: (2023)

Robust Validation: Confident Predictions Even When Distributions Shift
von: Cauchois, Maxime, et al.
Veröffentlicht: (2020)

Principal Component Analysis When n < p: Challenges and Solutions
von: Weeraratne, Nuwan, et al.
Veröffentlicht: (2025)

When accurate prediction models yield harmful self-fulfilling prophecies
von: van Amsterdam, Wouter A. C., et al.
Veröffentlicht: (2023)

Integrated Analysis for Electronic Health Records with Structured and Sporadic Missingness
von: Tan, Jianbin, et al.
Veröffentlicht: (2025)

When Is Generalized Bayes Bayesian? A Decision-Theoretic Characterization of Loss-Based Updating
von: McAlinn, Kenichiro, et al.
Veröffentlicht: (2026)

Revisit CP Tensor Decomposition: Statistical Optimality and Fast Convergence
von: Tang, Runshi, et al.
Veröffentlicht: (2025)

When Respondents Don't Care Anymore: Identifying the Onset of Careless Responding
von: Welz, Max, et al.
Veröffentlicht: (2023)

A Closer Look at AUROC and AUPRC under Class Imbalance
von: McDermott, Matthew B. A., et al.
Veröffentlicht: (2024)

Interventional Imbalanced Multi-Modal Representation Learning via $β$-Generalization Front-Door Criterion
von: Li, Yi, et al.
Veröffentlicht: (2024)

When Graph Neural Network Meets Causality: Opportunities, Methodologies and An Outlook
von: Jiang, Wenzhao, et al.
Veröffentlicht: (2023)

When the whole is greater than the sum of its parts: Scaling black-box inference to large data settings through divide-and-conquer
von: Hector, Emily C., et al.
Veröffentlicht: (2024)

Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning
von: Zhang, Jiaru, et al.
Veröffentlicht: (2025)

Predicting BVD Re-emergence in Irish Cattle From Highly Imbalanced Herd-Level Data Using Machine Learning Algorithms
von: Mimnagh, Niamh, et al.
Veröffentlicht: (2025)

When Should an AI Workflow Release? Always-Valid Inference for Black-Box Generate-Verify Systems
von: Cho, Young Hyun, et al.
Veröffentlicht: (2026)

Causal Synthetic Data Generation in Recruitment
von: Iommi, Andrea, et al.
Veröffentlicht: (2025)

Synthetic Blips: Generalizing Synthetic Controls for Dynamic Treatment Effects
von: Agarwal, Anish, et al.
Veröffentlicht: (2022)

Synthetic-Powered Multiple Testing with FDR Control
von: Lee, Yonghoon, et al.
Veröffentlicht: (2026)

Evaluating LLMs When They Do Not Know the Answer: Statistical Evaluation of Mathematical Reasoning via Comparative Signals
von: Dong, Zihan, et al.
Veröffentlicht: (2026)

Spillover Detection for Donor Selection in Synthetic Control Models
von: O'Riordan, Michael, et al.
Veröffentlicht: (2024)

When can weak latent factors be statistically inferred?
von: Fan, Jianqing, et al.
Veröffentlicht: (2024)

When More Experts Hurt: Underfitting in Multi-Expert Learning to Defer
von: Liu, Shuqi, et al.
Veröffentlicht: (2026)

Graph Representational Learning: When Does More Expressivity Hurt Generalization?
von: Maskey, Sohir, et al.
Veröffentlicht: (2025)

Augmentation Invariant Manifold Learning
von: Wang, Shulei
Veröffentlicht: (2022)

Conditional Data Synthesis Augmentation
von: Tian, Xinyu, et al.
Veröffentlicht: (2025)

Statistical Inference Leveraging Synthetic Data with Distribution-Free Guarantees
von: Bashari, Meshi, et al.
Veröffentlicht: (2025)