FOSSIL: Regret-minimizing weighting for robust learning under imbalance and small data
Rattachement africain : us, gb. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Imbalanced and small data regimes are pervasive in domains such as rare disease imaging, genomics, and disaster response, where labeled samples are scarce and naive augmentation often introduces artifacts. Existing solutions such as oversampling, focal loss, or meta-weighting address isolated aspects of this challenge but remain fragile or complex. We introduce FOSSIL (Flexible Optimization via Sample Sensitive Importance Learning), a unified weighting framework that seamlessly integrates class imbalance correction, difficulty-aware curricula, augmentation penalties, and warmup dynamics into a single interpretable formula. Unlike prior heuristics, the proposed framework provides regret-based theoretical guarantees and achieves consistent empirical gains over ERM, curriculum, and meta-weighting baselines on synthetic and real-world datasets, while requiring no architectural changes.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
Où se fait cette recherche
-
Gwinnett Technical College pays non établi dans la noticeUniversité ou école supérieure
-
Intel (United Kingdom) pays non établi dans la noticeEntreprise
-
Prairie View A&M University pays non établi dans la noticeUniversité ou école supérieure
-
The Ohio State University pays non établi dans la noticeUniversité ou école supérieure
-
Intel Corporation pays non établi dans la noticeInstitution
Gwinnett Technical College, Intel (United Kingdom) et Prairie View A&M University, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.