Buchumschlag

Theoretical Analysis of Contrastive Learning under Imbalanced Data: From Training Dynamics to a Pruning Solution

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liao, Haixu, Zhou, Yating, Zhang, Songyang, Wang, Meng, Zhang, Shuai
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Theoretical Analysis of Mamba's Training Dynamics: Filtering Relevant Features for Generalization in State Space Models
von: Shandirasegaran, Mugunthan, et al.
Veröffentlicht: (2026)

A Theoretical Analysis of the Learning Dynamics under Class Imbalance
von: Francazi, Emanuele, et al.
Veröffentlicht: (2022)

FedSC: Provable Federated Self-supervised Learning with Spectral Contrastive Objective over Non-i.i.d. Data
von: Jing, Shusen, et al.
Veröffentlicht: (2024)

Negatives-Dominant Contrastive Learning for Generalization in Imbalanced Domains
von: Cao, Meng, et al.
Veröffentlicht: (2026)

An Information-Theoretic Analysis for Federated Learning under Concept Drift
von: Peng, Fu, et al.
Veröffentlicht: (2025)

Combating Data Imbalances in Federated Semi-supervised Learning with Dual Regulators
von: Bai, Sikai, et al.
Veröffentlicht: (2023)

Towards High Supervised Learning Utility Training Data Generation: Data Pruning and Column Reordering
von: Kwok, Tung Sum Thomas, et al.
Veröffentlicht: (2025)

A Comprehensive Survey on Imbalanced Data Learning
von: Gao, Xinyi, et al.
Veröffentlicht: (2025)

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

Training Dynamics of Nonlinear Contrastive Learning Model in the High Dimensional Limit
von: Meng, Lineghuan, et al.
Veröffentlicht: (2024)

Balancing the Scales: A Theoretical and Algorithmic Framework for Learning from Imbalanced Data
von: Cortes, Corinna, et al.
Veröffentlicht: (2025)

Assisted Learning for Organizations with Limited Imbalanced Data
von: Chen, Cheng, et al.
Veröffentlicht: (2021)

Efficient Training of Large-Scale AI Models Through Federated Mixture-of-Experts: A System-Level Approach
von: Chen, Xiaobing, et al.
Veröffentlicht: (2025)

Learning for Dynamic Combinatorial Optimization without Training Data
von: Liao, Yiqiao, et al.
Veröffentlicht: (2025)

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

Batch Loss Score for Dynamic Data Pruning
von: Zhou, Qing, et al.
Veröffentlicht: (2026)

Dynamic Graph-Like Learning with Contrastive Clustering on Temporally-Factored Ship Motion Data for Imbalanced Sea State Estimation in Autonomous Vessel
von: Wang, Kexin, et al.
Veröffentlicht: (2025)

Quantum-Informed Contrastive Learning with Dynamic Mixup Augmentation for Class-Imbalanced Expert Systems
von: Jahin, Md Abrar, et al.
Veröffentlicht: (2025)

Provable Training for Graph Contrastive Learning
von: Yu, Yue, et al.
Veröffentlicht: (2023)

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

Training Over a Distribution of Hyperparameters for Enhanced Performance and Adaptability on Imbalanced Classification
von: Lieberman, Kelsey, et al.
Veröffentlicht: (2024)

PROTOCOL: Partial Optimal Transport-enhanced Contrastive Learning for Imbalanced Multi-view Clustering
von: Xue, Xuqian, et al.
Veröffentlicht: (2025)

FLEX-MoE: Federated Mixture-of-Experts with Load-balanced Expert Assignment for Edge Computing
von: Zhang, Boyang, et al.
Veröffentlicht: (2025)

Toward Fair Federated Learning under Demographic Disparities and Data Imbalance
von: Wu, Qiming, et al.
Veröffentlicht: (2025)

HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction
von: Xing, Lanxiang, et al.
Veröffentlicht: (2023)

Mixture-of-Experts for Distributed Edge Computing with Channel-Aware Gating Function
von: Song, Qiuchen, et al.
Veröffentlicht: (2025)

Learning from Complexity: Exploring Dynamic Sample Pruning of Spatio-Temporal Training
von: Chen, Wei, et al.
Veröffentlicht: (2026)

Optimizing for ROC Curves on Class-Imbalanced Data by Training over a Family of Loss Functions
von: Lieberman, Kelsey, et al.
Veröffentlicht: (2024)

No Free Prune: Information-Theoretic Barriers to Pruning at Initialization
von: Kumar, Tanishq, et al.
Veröffentlicht: (2024)

GCL-OT: Graph Contrastive Learning with Optimal Transport for Heterophilic Text-Attributed Graphs
von: Ren, Yating, et al.
Veröffentlicht: (2025)

IceBerg: Debiased Self-Training for Class-Imbalanced Node Classification
von: Li, Zhixun, et al.
Veröffentlicht: (2025)

Class-Imbalanced Complementary-Label Learning via Weighted Loss
von: Wei, Meng, et al.
Veröffentlicht: (2022)

Revisiting Graph Contrastive Learning on Anomaly Detection: A Structural Imbalance Perspective
von: Xu, Yiming, et al.
Veröffentlicht: (2025)

Probabilistic Functional Neural Networks
von: Wang, Haixu, et al.
Veröffentlicht: (2025)

Towards Efficient Federated Learning of Networked Mixture-of-Experts for Mobile Edge Computing
von: Gao, Song, et al.
Veröffentlicht: (2025)

Dictionary-Learning-Based Data Pruning for System Identification
von: Wang, Tingna, et al.
Veröffentlicht: (2025)

TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling
von: Dong, Jiaxiang, et al.
Veröffentlicht: (2024)

Time-Series Contrastive Learning against False Negatives and Class Imbalance
von: Jin, Xiyuan, et al.
Veröffentlicht: (2023)

Difficult Examples Hurt Unsupervised Contrastive Learning: A Theoretical Perspective
von: Zhang, Yi-Ge, et al.
Veröffentlicht: (2025)

Contrastive Learning on Multimodal Analysis of Electronic Health Records
von: Cai, Tianxi, et al.
Veröffentlicht: (2024)