Columbia University（哥伦比亚大学）

RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification

RUBRIC：用于不平衡分类的现实-效用平衡排序

Yanxuan Yu, Dong Liu, Shu Wang, Wenxiao Zhao, Eric Jiang, Chang Liu, Jinxi Yu, Hui Pan, Ben Lengerich, Tong Geng, Renata Borovica-Gajic, Ying Nian Wu

机构 * Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Melbourne（墨尔本大学） 纠错

AI总结 研究类别不平衡问题，提出RUBRIC框架，将合成样本选择设为质量优化问题，用现实-效用权衡排序，能收紧泛化边界，经实验验证其在信用卡欺诈检测等任务中可提升F1宏和召回率，保持ROC-AUC并可进行lambda敏感性分析。

The Nonstationarity-Complexity Tradeoff in Return Prediction

收益率预测中的非平稳性-复杂度权衡

Agostino Capponi, Chengpiao Huang, J. Antonio Sidaoui, Kaizheng Wang, Jiacheng Zou

机构 * Department of IEOR and Columbia Business School, Columbia University（工业工程与运营研究系和哥伦比亚商学院，哥伦比亚大学） ； Department of IEOR, Columbia University（工业工程与运营研究系，哥伦比亚大学） ； Department of IEOR and Data Science Institute, Columbia University（工业工程与运营研究系和数据科学研究所，哥伦比亚大学） 纠错

AI总结 本文提出了一种联合优化模型类别和训练窗口大小的模型选择方法，通过适应性评估非平稳验证数据，在股票收益率预测中实现了更优的非平稳性-复杂度权衡，显著提升了样本外预测性能。

Comments 109 pages, 17 figures