深層不均衡回帰（Deep Imbalanced Regression, DIR）は、回帰モデルの一般的な失敗モードに対処する。すなわち、目標分布が著しく不均一な場合、モデルは目標値が密集した領域で最高の性能を発揮するが、目標範囲全体で信頼できる性能が求められる状況では不十分となる。方法論は急速に進歩しているものの、DIR の評価には三つの盲点が残っている。画像ベースのベンチマークが支配的であること、標準的な many-/medium-/few-shot プロトコルが診断的ではあるが意思決定を完結させないこと、そしてテール領域のランダムシード間での安定性が体系的に評価されていないことである。
Noah C. Puetz 氏ら6名の著者による本研究は、これら三つの軸に沿って DIR 評価を見直す。第一に、マルチモーダル仮想センシングベンチマーク MuViS を用いてデータ領域を拡大する。これは6つの物理領域にまたがる9つの時系列外在回帰タスクを含み、希少な目標値が運用上意味のあるレジームに対応することが多い。第二に、平衡平均絶対誤差（bMAE）を採用し、新たに平衡平均絶対尺度誤差（bMASE）を導入する。これは尺度正規化された指標であり、手法とデータセットをまたいだ意思決定完全な比較を可能にする。第三に、6つの代表的な DIR 手法を複数のランダムシードで繰り返し再評価し、DIR が対象とするテール領域がシードレベルの変動に特に敏感であることを示す。
結果として、標準的な仮想センシングモデルは全体 MAE に隠された大幅なテール性能劣化を示すこと、既存の DIR 手法は平衡性能を改善できるもののマルチモーダル時系列データへの転移は不均一であること、テール領域の不安定性は現在の DIR 評価慣行において依然としてほとんど隠された失敗モードであることが明らかになった。著者らは、これらの知見と公開コードが、希少な目標レジームを一般的なレジームと同程度に確実に捉える回帰システムに向けた将来の DIR 研究の再現可能な基盤を提供すると述べている。
本論文は arXiv:2609.25152 として2026年9月21日に投稿され、機械学習（cs.LG）および人工知能（cs.AI）に分類されている。