💻 computer science

Hybrid Imbalanced Regression Through Unified Data-Level and Algorithm-Level Balancing

यह शोध पत्र असंतुलित प्रतिगमन (इम्बैलेंस्ड रिग्रेशन) के लिए एक एकीकृत हाइब्रिड फ्रेमवर्क प्रस्तावित करता है जो मौजूदा स्टैंडअलोन विधियों की सीमाओं को प्रभावी ढंग से संबोधित करने और दुर्लभ लक्ष्य मानों पर भविष्य कहनेवाला प्रदर्शन में सुधार करने के लिए अनुकूल डेटा-स्तर संतुलन (लक्ष्य-सशर्त प्रतिनिधित्व शिक्षण और फीचर-स्पेस क्लस्टरिंग के माध्यम से) को एक नवीन एल्गोरिदम-स्तर के लेटेंट-डेंसिटी वेटेड लॉस के साथ जोड़ता है।

मूल लेखक: Shermin Shahbazi, Hossein Mohammadi, Mohsen Afsharchi

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shermin Shahbazi, Hossein Mohammadi, Mohsen Afsharchi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को घरों की कीमत का अनुमान लगाना सिखाने की कोशिश कर रहे हैं। एक आदर्श दुनिया में, आप उसे $100,000 के घरों के 1,000 उदाहरण,$ 200,000 के घरों के 1,000 उदाहरण और $300,000 के घरों के 1,000 उदाहरण दिखाएंगे। रोबोट पैटर्न को पूरी तरह से सीख जाएगा।

लेकिन वास्तविक दुनिया में, डेटा बिखरा हुआ और अव्यवस्थित होता है। हो सकता है कि आपके पास $100,000 के घरों के 1,000 उदाहरण हों, लेकिन$ 10 मिलियन के एक महल (mansion) का केवल एक उदाहरण हो। यह इम्बैलेंस्ड रिग्रेशन (Imbalanced Regression) की समस्या है। रोबोट उन आम $100k के घरों को पहचानने में इतना माहिर हो जाता है कि वह उन दुर्लभ$ 10M वाले घरों को पूरी तरह से अनदेखा कर देता है। जब वह अंततः किसी महल को देखता है, तो वह अनुमान लगाता है "$100k", क्योंकि यही वह है जिसे वह सबसे अच्छी तरह जानता है।

यह पेपर इस समस्या को ठीक करने के लिए एक "हाइब्रिड फ्रेमवर्क" (Hybrid Framework) प्रस्तावित करता है। इसे एक पाँच-चरणीय कोचिंग प्रोग्राम के रूप में समझें, जिसे रोबोट को आम घरों पर अपना ध्यान खोए बिना, दुर्लभ और महंगे घरों पर ध्यान केंद्रित करने में मदद करने के लिए डिज़ाइन किया गया है।

यहाँ पाँचों चरण कैसे काम करते हैं, सरल उपमाओं (analogies) का उपयोग करके बताया गया है:

चरण 0: "स्मार्ट मैप" (Adaptive Bin Partitioning)

समस्या: आप केवल "दुर्लभ घर" नहीं कह सकते क्योंकि कीमतें एक स्मूथ लाइन की तरह होती हैं, न कि "लाल घर" बनाम "नीला घर" जैसे अलग-अलग बॉक्स की तरह।
समाधान: टीम एक डायनेमिक मैप बनाती है। बराबर स्लाइस (जैसे एक स्केल) में काटने के बजाय, वे डेटा को देखते हैं कि "गुच्छे" (clumps) कहाँ हैं। यदि $100k और$ 1M के बीच एक बड़ा अंतर है, तो वे वहां एक रेखा खींच देते हैं। यदि डेटा स्मूथ है, तो वे उसे नहीं काटते।
उपमा: कल्पना कीजिए कि आप एक लाइब्रेरी व्यवस्थित कर रहे हैं। किताबों को सटीक पेज संख्या के आधार पर अलमारियों में रखने के बजाय (जो बहुत उलझन भरा हो सकता है), आप कहानियों को देखते हैं। आप सभी "लघु कथाओं" को एक साथ और सभी "उपन्यासों" को एक साथ रखते हैं, यह देखते हुए कि कहानियाँ वास्तव में कैसे बहती हैं। इससे रोबट को "दुर्लभ" अनुभागों को स्पष्ट रूप से देखने में मदद मिलती है।

चरण 1: "अनुवादक" (Representation Learning)

समस्या: कच्चा डेटा (वर्ग फुट, कमरों की संख्या) बहुत शोर भरा और जटिल होता है, जिससे रोबोट के लिए दुर्लभ पैटर्न खोजना कठिन हो जाता है।
समाधान: वे एक विशेष टूल का उपयोग करते हैं जिसे CVAE (Conditional Variational Autoencoder) कहा जाता है। इसे एक अनुवादक के रूप में सोचें जो बिखरे हुए घर के डेटा को एक "गुप्त भाषा" (latent space) में बदल देता है, जहाँ दुर्लभ घर आम घरों से बहुत अलग दिखाई देते हैं।
उपमा: कल्पना कीजिए कि रोबोट एक विदेशी भाषा समझने की कोशिश कर रहा है। यह चरण डेटा को उस भाषा में अनुवादित करता है जिसे रोबोट धाराप्रवाह बोलता है, जिससे "दुर्लभ" शब्द "आम" शब्दों के मुकाबले स्पष्ट रूप से उभर कर आते हैं।

चरण 2: "कॉपी-पेस्ट और पॉलिश" (Data-Level Balancing)

समस्या: गुप्त भाषा के साथ भी, दुर्लभ घरों के उदाहरण अभी भी बहुत कम हैं। रोबोट को अधिक अभ्यास की आवश्यकता है।
समाधान: वे केवल दुर्लभ घरों को कॉपी-पेस्ट नहीं करते (क्योंकि इससे धोखाधड़ी और भ्रम हो सकता है), बल्कि वे गुप्त भाषा में दुर्लभ घरों के "पड़ोस" (neighborhoods) को ढूंढते हैं और ऐसे नए, सिंथेटिक उदाहरण बनाते हैं जो उस परिवेश में पूरी तरह फिट बैठते हैं।
उपमा: कल्पना कीजिए कि आप एक दुर्लभ रेसिपी सीखने की कोशिश कर रहे एक शेफ हैं, लेकिन आपके पास केवल एक सामग्री सूची है। आप केवल सूची की फोटोकॉपी नहीं करते; आप सूची का उपयोग उस रेसिपी के फ्लेवर प्रोफाइल को समझने के लिए करते हैं और फिर कुछ नए, थोड़े अलग संस्करण बनाते हैं जो बिल्कुल सही स्वाद देते हैं। अब आपके पास रेसिपी सीखने के लिए पर्याप्त अभ्यास व्यंजन उपलब्ध हैं।

चरण 3: "सख्त कोच" (Algorithm-Level Balancing)

समस्या: अधिक अभ्यास डेटा के साथ भी, रोबोट अभी भी दुर्लभ उदाहरणों को अनदेखा कर सकता है क्योंकि वह आलसी है और अपनी कुल गलतियों को कम करना चाहता है।
समाधान: वे स्कोरिंग सिस्टम (loss function) को बदलते हैं। यदि रोबोट एक आम घर पर गलती करता है, तो उसे छोटा दंड मिलता है। यदि वह एक दुर्लभ घर पर गलती करता है, तो उसे भारी दंड मिलता है।
उपमा: एक वीडियो गेम की कल्पना करें। आमतौर पर, आपको एक गोब्लिन को मारने पर 10 अंक मिलते हैं। लेकिन अगर आप एक दुर्लभ ड्रैगन को मारते हैं, तो आपको 1,000 अंक मिलते हैं। रोबोट समझ जाता है, "हे, मुझे ड्रैगन पर ध्यान देना होगा!" यह रोबोट को दुर्लभ डेटा पॉइंट्स की परवाह करने के लिए मजबूर करता है।

चरण 4: "मिक्सर" (Final Fusion)

समस्या: रोबोट के पास अब सोचने के दो अलग तरीके हैं: एक अतिरिक्त अभ्यास डेटा (चरण 2) पर आधारित और दूसरा सख्त स्कोरिंग सिस्टम (चरण 3) पर आधारित। हम इन्हें कैसे जोड़ें?
समाधान: वे एक Gated Fusion तंत्र का उपयोग करते हैं। यह एक स्मार्ट मैनेजर की तरह है जो हर विशिष्ट घर को देखता है और निर्णय लेता है, "इस घर के लिए, मैं अभ्यास डेटा पर अधिक भरोसा करता हूँ," या "उस घर के लिए, मैं सख्त स्कोरिंग पर अधिक भरोसा करता हूँ।"
उपमा: यह एक जज की तरह है जो दो वकीलों को सुन रहा है। कुछ मामलों के लिए, जज वकील A की बात सुनता है; अन्य मामलों के लिए, वकील B की। जज (फ्यूजन) जानता है कि सर्वश्रेष्ठ निर्णय पाने के लिए कब किस विशेषज्ञ की बात सुननी है।

उन्होंने क्या पाया?

लेखकों ने इस "कोचिंग प्रोग्राम" का परीक्षण 16 अलग-अलग डेटासेट्स (जैसे घरों की कीमत, वाइन की गुणवत्ता और मशीन टॉर्क का अनुमान लगाना) पर किया।

परिणाम: हाइब्रिड दृष्टिकोण (सभी 5 चरणों का उपयोग करना) केवल "कॉपी-पेस्ट" विधि या केवल "सख्त कोच" विधि के उपयोग की तुलना में काफी बेहतर था। यह उन मानक रोबोटों की तुलना में भी बहुत बेहतर था जिन्हें कोई विशेष कोचिंग नहीं मिली थी।
चुनौती: यह प्रोग्राम तब सबसे अच्छा काम करता है जब आपके पास बहुत सारा डेटा (हजारों उदाहरण) हो। यदि आपके पास बहुत छोटा डेटासेट है (जैसे 100 उदाहरण), तो प्रोग्राम भ्रमित हो सकता है और वास्तव में एक साधारण रोबोट की तुलना में खराब प्रदर्शन कर सकता है। प्रभावी ढंग से सिखाने के लिए इसे पर्याप्त "छात्रों" की आवश्यकता होती है।

सारांश

यह पेपर निरंतर संख्याओं (जैसे कीमतें या तापमान) की भविष्यवाणी करने के लिए एक यूनिवर्सल ट्रेनिंग सिस्टम बनाता है जब डेटा असंतुलित हो। यह अधिक डेटा बनाने (अंतराल भरने के लिए) और नियमों को बदलने (अंतराल पर ध्यान केंद्रित करने के लिए) को एक शक्तिशाली पाइपलाइन में जोड़ता है। यह एक छात्र को एक बेहतर पाठ्यपुस्तक और एक सख्त शिक्षक दोनों देने जैसा है ताकि वह कठिन और दुर्लभ विषयों को भी आसान विषयों की तरह ही अच्छी तरह सीख सके।

तकनीकी सारांश: एकीकृत डेटा-स्तरीय और एल्गोरिदम-स्तरीय संतुलन के माध्यम से हाइब्रिड इम्बैलेंस्ड रिग्रेशन

समस्या विवरण

इम्बैलेंस्ड लर्निंग (Imbalanced learning) मशीन लर्निंग में एक महत्वपूर्ण चुनौती है जहाँ कम प्रतिनिधित्व वाले लक्ष्य मान (target values) पक्षपाती मॉडल की ओर ले जाते हैं, जिससे दुर्लभ लेकिन उच्च-प्रभाव वाली घटनाओं पर उनका प्रदर्शन खराब हो जाता है। जबकि विषम वर्ग वितरणों (skewed class distributions) वाले वर्गीकरण कार्यों (classification tasks) में इसका व्यापक अध्ययन किया गया है, इम्बैलेंस्ड रिग्रेशन—जो निरंतर लक्ष्य स्थानों (continuous target spaces) में गैर-समान घनत्व द्वारा पहचाना जाता है—अभी भी कम खोजा गया विषय है।

इम्बैलेंस्ड रिग्रेशन में मौजूदा दृष्टिकोण आमतौर पर दो श्रेणियों में आते हैं, जिनमें विशिष्ट सीमाएँ हैं:

डेटा-स्तरीय विधियाँ (Data-level methods): ये विरल क्षेत्रों को समृद्ध करने के लिए नमूने (जैसे, ओवरसैंपलिंग के माध्यम से) संश्लेषित करती हैं। हालांकि सहज और मॉडल-अज्ञेय (model-agnostic) होने के बावजूद, इनमें कृत्रिम शोर (synthetic noise) या ओवरफिटिंग का जोखिम रहता है, विशेष रूप से जटिल वितरणों में।
एल्गोरिदम-स्तरीय विधियाँ (Algorithm-level methods): ये डेटा को संशोधित किए बिना दुर्लभ लक्ष्य श्रेणियों को प्राथमिकता देने के लिए लॉस फंक्शन (loss functions) को समायोजित करती हैं। हालांकि सिद्धांततः सही होने के बावजूद, ये गंभीर असंतुलन और जटिल वितरणों के साथ संघर्ष करती हैं, क्योंकि इनमें डेटा संवर्धन (data enrichment) के पूरक लाभों का अभाव होता है।

वर्तमान साहित्य में वास्तव में एक हाइब्रिड दृष्टिकोण का अभाव है जो एक एकल न्यूरल रिग्रेशर के प्रशिक्षण के दौरान डेटा-स्तरीय नमूना संश्लेषण को स्पष्ट, नमूना-वार लागत-संवेदनशील (cost-sensitive) या रीवेटिंग लॉस के साथ मजबूती से एकीकृत करता है। अधिकांश मौजूदा "हाइब्रिड" प्रयास या तो एन्सेम्बल रणनीतियों पर निर्भर करते हैं या गैर-टेबुलर डोमेन तक सीमित हैं, जो मानक रिग्रेशन कार्यों के लिए एक एंड-टू-एंड पाइपलाइन में इन रणनीतियों को एकीकृत करने में विफल रहते हैं।

कार्यप्रणाली (Methodology)

लेखक एक पाँच-चरणीय, रिग्रेशर-अज्ञेय हाइब्रिड फ्रेमवर्क का प्रस्ताव करते हैं जो एक एकीकृत पाइपलाइन में डेटा-स्तरीय और एल्गोरिदम-स्तरीय रणनीतियों को तालमेल के साथ एकीकृत करता है। इस फ्रेमवर्क को किसी भी मानक रिग्रेशर के अपस्ट्रीम में लागू करने के लिए डिज़ाइन किया गया है।

चरण 0: एडेप्टिव टारगेट-स्पेस बिन पार्टिशनिंग (Adaptive Target-Space Bin Partitioning)

रिग्रेशन में असतत क्लास लेबल की कमी को दूर करने के लिए, फ्रेमवर्क निरंतर लक्ष्य स्थान को सांख्यिकीय रूप से सुसंगत बिन (bins) में विभाजित करता है।

तंत्र: यह स्थानीय $R^2$ सुसंगतता स्कोर द्वारा संचालित एडेप्टिव बिन पार्टिशनिंग का उपयोग करता है। उम्मीदवार अंतराल के भीतर एक सरल लीनियर रिग्रेटर फिट किया जाता है; यदि $R^2$ स्कोर एक थ्रेशोल्ड ( $\tau$ ) से अधिक है और बिन का आकार एक डेटा-संचालित न्यूनतम ( $M$ ) को पूरा करता है, तो बिन को स्वीकार कर लिया जाता है। अन्यथा, अंतराल को पुनरावर्ती रूप से विभाजित किया जाता है।
महत्व: यह निरंतर समस्या को एक क्लास-जैसी संरचना में बदल देता है, जिससे विरलता (sparsity) के प्रति स्थानीय जागरूकता सक्षम होती है और बाद के संतुलन कार्यों की सुविधा मिलती। न्यूनतम बिन आकार $M$ को सांख्यिकीय विश्वसनीयता सुनिश्चित करने के लिए डेटासेट के आकार के अनुपात और पीक कर्नल डेंसिटी एस्टीमेशन (KDE) घनत्व के व्युत्क्रम के संयोजन का उपयोग करके गतिशील रूप से गणना किया जाता है।

चरण I: रिप्रेजेंटेशन लर्निंग (Representation Learning)

विरल क्षेत्रों में कच्चे फीचर्स अक्सर आवश्यक लेटेंट स्ट्रक्चर को कैप्चर करने में विफल रहते हैं।

तंत्र: एक कंडीशनल वेरिएशनल ऑटोएनकोडर (CVAE) को निरंतर लक्ष्य चर $y$ पर कंडिशन किया जाता है। एनकोडर इनपुट फीचर्स $x$ और लक्ष्य $y$ को एक लेटेंट स्पेस $z$ में मैप करता है, जबकि डिकोडर $z$ और $y$ से $x$ को पुनर्गठित (reconstruct) करता है।
महत्व: यह आउटपुट वितरण के साथ संरेखित भविष्य कहने वाले पैटर्न (predictive patterns) को कैप्चर करने वाले लक्ष्य-जागरूक लेटेंट एम्बेडिंग्स (target-aware latent embeddings) उत्पन्न करता है, जिसमें कम आबादी वाले क्षेत्र भी शामिल हैं। CVAE की संभाव्य प्रकृति अनिश्चितता-जागरूक प्रतिनिधित्व (uncertainty-aware representations) की सुविधा भी प्रदान करती है।

चरण II: डेटा-स्तरीय संतुलन (Data-Level Balancing)

यह चरण चरण 0 के एडेप्टिव बिन के भीतर लक्ष्य और फीचर स्पेस दोनों में नमूना कमी को संबोधित करता है।

चरण 1 (क्लस्टरिंग): प्रत्येक एडेप्टिव बिन के भीतर, लेटेंट रिप्रेजेंटेशन पर DBSCAN लागू किया जाता है ताकि विरल, अल्पसंख्यक क्लस्टर्स की पहचान की जा सके।
चरण 2 (ओवरसैंपलिंग): अल्पसंख्यक क्लस्टर्स के लिए एक स्थानीयकृत SMOGN (Gaussian Noise के साथ रिग्रेशन के लिए सिंथेटिक मिनोरिटी ओवरसैंपलिंग तकनीक) लागू किया जाता है। ग्लोबल ओवरसैंपलिंग के विपरीत, यह विशिष्ट क्लस्टर संदर्भ के भीतर दुर्लभ लक्ष्य मानों को प्राथमिकता देने के लिए एक क्लस्टर-विशिष्ट प्रासंगिकता फ़ंक्शन $\phi_C(y)$ द्वारा निर्देशित होता है।
आउटपुट: संवर्धित डेटासेट (मूल + सिंथेटिक) पर एक शैलो MLP प्रशिक्षित किया जाता है, और मूल नमूनों के हिडन एक्टिवेशन ( $h_{data}$ ) निकाले जाते हैं। यह सुनिश्चित करता है कि फीचर्स सिंथेटिक पड़ोसियों की ज्यामिति से लाभान्वित हों, जबकि मूल इंस्टेंस के साथ सटीक पत्राचार बना रहे।

चरण III: एल्गोरिदम-स्तरीय संतुलन (Algorithm-Level Balancing)

यह चरण डेटा संशोधन के बिना कम प्रतिनिधित्व वाले क्षेत्रों पर जोर देने के लिए लर्निंग ऑब्जेक्टिव को अनुकूलित करता है।

तंत्र: एक नवीन लेटेंट-डेंसिटी वेटेड लॉस (LDWL) पेश किया गया है। लॉस फंक्शन उन नमूनों को वेट देता है जो दो स्थानों में संयुक्त दुर्लभता के आधार पर निर्धारित होते हैं:
1. लेटेंट स्पेस ( $Z$ ): CVAE लेटेंट रिप्रेजेंटेशन पर KDE के माध्यम से अनुमानित घनत्व।
2. टारगेट स्पेस ( $Y$ ): चरण 0 में परिभाषित एडेप्टिव बिन के भीतर चरण 0 के माध्यम से अनुमानित घनत्व।
फॉर्मूला: एक नमूने के लिए वेट $w_i$ , उसके लेटेंट घनत्व और बिन-कंडीशन्ड टारगेट डेंसिटी के गुणनफल के व्युत्क्रमानुपाती होता है। एक रेगुलाइजेशन टर्म आउटलेर्स पर ओवरफिटिंग को रोकने के लिए अत्यधिक बड़े वेट को दंडित करता है।
आउटपुट: LDWL का उपयोग करके एक MLP प्रशिक्षित किया जाता है, और मूल नमूनों के हिडन एक्टिवेशन ( $h_{alg}$ ) निकाले जाते हैं।

चरण IV: अंतिम फ्यूजन (Final Fusion)

अंतिम चरण डेटा-स्तरीय और एल्गोरिदम-स्तरीय रिप्रेजेंटेशन की पूरक शक्तियों को एकीकृत करता है।

तंत्र: एक अटेंशन-आधारित गेटेड फ्यूजन मैकेनिज्म $h_{data}$ और $h_{alg}$ को कॉन्कैटिनेट करता है। एक गेटिंग नेटवर्क दो फीचर स्ट्रीम्स को मिलाने के लिए डायनेमिकली इंस्टेंस-विशिष्ट वेट ( $\alpha_i$ ) सीखता है: $\tilde{x}_i = \alpha_i \odot h_{data} + (1-\alpha_i) \odot h_{alg}$ ।
महत्व: यह मॉडल को प्रत्येक नमूने के लिए सबसे सूचनात्मक फीचर्स को अनुकूल रूप से प्राथमिकता देने की अनुमति देता है, जिससे एक मजबूत, समृद्ध रिप्रेजेंटेशन तैयार होता है जो किसी भी डाउनस्ट्रीम रिग्रेशर के लिए तैयार होता है।

मुख्य योगदान (Key Contributions)

एकीकृत हाइब्रिड फ्रेमवर्क: इम्बैलेंस्ड रिग्रेशन के लिए डेटा-स्तरीय नमूना संश्लेषण (स्थानीयकृत SMOGN के माध्यम से) को स्पष्ट, नमूना-वार कॉस्ट-संवेदनशील रीवेटिंग (LDWL के माध्यम से) के साथ मजबूती से एकीकृत करने वाला पहला एंड-टू-एंड पाइपलाइन।
एडेप्टिव बिन पार्टिशनिंग: एक नवीन प्रीप्रोसेसिंग स्टेप जो निरंतर लक्ष्य स्थानों को गतिशील रूप से सेगमेंट करने के लिए स्थानीय $R^2$ सुसंगतता का उपयोग करता है, जिससे प्रभावी इम्बैलेंस हैंडलिंग के लिए क्लास-जैसी संरचनाएं निर्मित होती हैं।
लेटेंट-डेंसिटी वेटेड लॉस (LDWL): एक नया लॉस फंक्शन जो CVAE के माध्यम से सीखे गए लेटेंट फीचर स्पेस और एडेप्टिव बिन्स के भीतर टारगेट स्पेस में संयुक्त घनत्व पर विचार करके दुर्लभ नमूनों को प्राथमिकता देता है।
मल्टी-स्टेज डेटा बैलेंसिंग: एक रणनीति जो विरल क्षेत्रों को समृद्ध करने के लिए फीचर-स्पेस क्लस्टरिंग (DBSCAN) को स्थानीयकृत ओवरसैंपलिंग के साथ जोड़ती है, जिससे सिंथेटिक बायस को कम किया जा सके।
रिग्रेशर-अज्ञेय डिज़ाइन: फ्रेमवर्क एक फ्यूज्ड फीचर वेक्टर आउटपुट करता जिसे किसी भी मानक रिग्रेशन एल्गोरिदम (लीनियर, ट्री-बेस्ड, या न्यूरल) के साथ आसानी से एकीकृत किया जा सकता है।

प्रयोगात्मक परिणाम (Experimental Results)

फ्रेवर्क का मूल्यांकन छह रिग्रेशर्स (MLP, XGBoost, Linear Regression, KNN, SVR, Ridge) के साथ 16 बेंचमार्क रिग्रेशन डेटासेट्स (जैसे, California Housing, Wine Quality, Abalone) पर किया गया।

प्रदर्शन: हाइब्रिड पाइपलाइन ने स्टैंडअलोन डेटा-स्तरीय और एल्गोरिदम-स्तरीय विधियों, साथ ही इम्बैलेंस हैंडलिंग के बिना मानक बेसलाइन रिग्रेशर्स को लगातार पछाड़ दिया।
मेट्रिक्स: RMSE, MAE और $R^2$ (Coefficient of Determination) में सुधार देखा गया। उदाहरण के लिए, airfoild डेटासेट में, हाइब्रिड दृष्टिकोण ने स्टैंडअलोन रिग्रेशर की तुलना में $R^2$ में 568.71% का सुधार दिखाया।
स्क्यूनेस सहसंबंध (Skewness Correlation): विश्लेषण ने लक्ष्य चर के एब्सोल्यूट स्क्यूनेस और हाइब्रिड पाइपलाइन के प्रदर्शन सुधार के बीच एक महत्वपूर्ण सकारात्मक सहसंबंध प्रकट किया। फ्रेमवर्क अत्यधिक लक्ष्य स्क्यूनेस वाले परिदृश्यों में सबसे प्रभावी है।
सीमाएँ: फ्रेमवर्क डेटा वॉल्यूम पर निर्भरता प्रदर्शित करता है। ~1,000 से कम नमूनों वाले डेटासेट्स में, एडेप्टिव बिनिंग और CVAE चरणों में ओवरफिटिंग और डेंसिटी एस्टीमेशन में अस्थिरता के कारण पाइपलाइन कभी-कभी स्टैंडअलोन रिग्रेशर्स से कम प्रदर्शन करती है।

महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि प्रस्तावित हाइब्रिड फ्रेमवर्क केवल आइसोलेटेड डेटा या एल्गोरिदम-स्तरीय हस्तक्षेपों से आगे बढ़कर इम्बैलेंस्ड रिग्रेशन साहित्य के एक महत्वपूर्ण अंतर को भरता है। इन रणनीतियों को एकीकृत करके, फ्रेमवर्क दुर्लभ लेकिन महत्वपूर्ण लक्ष्य मानों की भविष्यवाणी के लिए अधिक व्यापक समाधान प्रदान करता है।

लेखक का तर्क है कि उनका दृष्टिकोण:

डेटा ऑग्मेंटेशन के विविधता लाभों को कॉस्ट-संवेदनशील लर्निंग के सिद्धांत आधारित अनुकूलन के साथ तालमेल बिठाता है।
नैव ओवरसैंपलिंग के शोर जोखिमों या मानक लॉस फंक्शन्स की डिस्ट्रिब्यूशनल ब्लाइंडनेस के बिना, विरल क्षेत्रों में सामान्यीकरण (generalization) को बढ़ाता है।
बड़े पैमाने के इम्बैलेंस्ड रिग्रेशन कार्यों तक प्रभावी ढंग से स्केल होता है, यह प्रदर्शित करते हुए कि लक्ष्य स्क्यूनेस की डिग्री फ्रेमवर्क की प्रभावशीलता के लिए एक विश्वसनीय प्रॉक्सी है।

अध्ययन निष्कर्ष निकालता है कि हालांकि फ्रेमवर्क को अपने पाँच-चरणीय आर्किटेक्चर को स्थिर करने के लिए पर्याप्त डेटा वॉल्यूम की आवश्यकता होती है, यह वास्तविक दुनिया के अनुप्रयोगों जैसे चरम मौसम पूर्वानुमान, विसंगति का पता लगाने (anomaly detection), और चिकित्सा या वित्तीय जोखिम की भविष्यवाणी में शामिल मामलों के लिए एक मजबूत, स्केलेबल और रिग्रेशर-अज्ञेय संवर्धन प्रदान करता है जहाँ दुर्लभ घटनाओं का अत्यधिक महत्व होता है।