Bootstrap Suavizado Profundo Desentranhado para Regressão Imbalance Justa

O aprendizado com distribuição desbalanceada é um desafio comum e significativo na modelagem preditiva, muitas vezes reduzindo o desempenho de algoritmos padrão. Embora várias abordagens abordem essa questão, a maioria é voltada para problemas de classificação, com um foco limitado em regressão. Este artigo introduz um novo método para melhorar o aprendizado em dados tabulares dentro do framework de Regressão Imbalance (IR), que é um problema crítico. Propomos o uso de Autoencoders Variacionais (VAEs) para modelar e definir uma representação latente das distribuições de dados. No entanto, os VAEs podem ser ineficientes com dados desbalanceados, assim como outras abordagens padrão. Para resolver isso, desenvolvemos um método inovador de geração de dados que combina um VAE desentranhado com um Bootstrap Suavizado aplicado no espaço latente. Avaliamos a eficiência deste método através de comparações numéricas com concorrentes em conjuntos de dados de referência para IR.