RUBRIC: Realisme-Utility Gebalanceerde Ranking voor Imbalanced Classificatie

Gepubliceerd 14 July 2026

Class imbalance vormt een aanzienlijke uitdaging in risicovolle toepassingen zoals fraude-detectie en medische diagnose, waar monsters van de minderheidsklasse schaars maar cruciaal zijn voor nauwkeurige classificatie. Dit onderzoek introduceert RUBRIC, een filterframework dat synthetische monsterselectie benadert als een optimalisatieprobleem gericht op kwaliteit boven kwantiteit. RUBRIC rangschikt kandidaten op basis van een realisme-utility afweging, waarbij realisme wordt gemeten door een discriminator en utility de nabijheid tot de beslissingsgrens vastlegt. Experimentele resultaten tonen aan dat RUBRIC de prestaties verbetert in verschillende benchmarks, waaronder creditcardfraude-detectie.