VAE-Inf：不均衡分類のための統計的に解釈可能な生成パラダイム

Abstract

クラス不均衡分類は、機械学習において広く見られる難題です。特に、少数サンプルが少なすぎて頑健な識別境界を提供できない場合に顕著です。このような極端な状況では、従来のモデルはしばしば不安定な決定境界に悩まされ、信頼できる誤り制御が欠如します。生成モデル化と識別分類をつなぐために、深い表現学習と統計的に解釈可能な仮説検定を統合する二段階の枠組み\textbf{VAE-Inf}を提案します。第1段階では、変分オートエンコーダ（VAE）を多数クラスのデータのみで学習し、1クラスモデリングの観点を採用します。これにより、基礎となる参照分布を捉えます。得られた潜在事後分布は、Wassersteinバリセントル（Wasserstein barycenter）を介して集約され、グローバルなガウス参照モデルを構築します。これにより、多数クラスに対する幾何学的に筋の通ったベースラインが得られます。第2段階では、この生成的基盤を、少数クラスの限られたサンプルでエンコーダを微調整することで識別型の分類器へと変換します。これは、分散正規化された射影統計に基づいてクラス間の確率的な分離を強制する、分布を意識した新しい損失関数によって実現されます。推論においては、射影ベースのスコアを導入し、自然な仮説検定の解釈を可能にすることで、分布に依存しない較正手続きを導入します。このアプローチは、厳しい仮定を伴うパラメトリックな前提に頼ることなく、第I種誤り（偽陽性率）を有限サンプルで厳密に制御できます。多様な実世界ベンチマークに関する大規模な実験により、本枠組みが他の手法に対して競争力のある性能を達成することを示します。コードは要望に応じて提供します。