公平不平衡回归的解耦深度光滑 Bootstrap 方法
机器学习
2025-08-20 v1 机器学习
摘要
不平衡分布学习是预测建模中常见且重要的挑战，常常降低标准算法的性能。虽然有各种方法解决此问题，但大多数方法针对的是分类问题，在回归问题上的关注相对有限。本文介绍了一种新方法，用于在不平衡回归（IR）框架中提高表格数据上的学习效率，这是一个关键问题。我们提出使用变分自编码器（VAE）来建模和定义数据分布的潜在表征。然而，像其他标准方法一样，VAE 在不平衡数据上可能效率不高。为此，我们发展了一种创新的数据生成方法，将解耦 VAE 与潜空间中的光滑 Bootstrap 相结合。我们通过在基准数据集上的数值比较，评估了该方法在 IR 场景中的效率。
关键词
引用
@article{arxiv.2508.13829,
title = {Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression},
author = {Samuel Stocksieker and Denys pommeret and Arthur Charpentier},
journal= {arXiv preprint arXiv:2508.13829},
year = {2025}
}