论文
文章平均质量分 96
论文
怪兽iii
心之所向寻赴既往
展开
-
A2-RIDE Long-tailed recognition by routing diverse distribution-aware experts
自然数据通常是长尾分布在语义类上。现有的识别方法通过将更多的重点放在尾部数据上来解决这种不平衡的分类,通过在不同的数据组上进行类重新平衡/重新加权或组合,从而导致尾部准确度增加但头部准确度降低。我们对训练数据采取动态视图,并在训练数据波动时提供原则性的模型Bias和Variance分析:现有的长尾分类器总是增加模型的Variance和头-尾模型的Bias差距仍然很大,由于更多和更大的混乱与硬否定的尾巴。我们提出了一个新的长尾分类称为路由多样性专家 RIDE。原创 2023-05-14 23:02:23 · 762 阅读 · 0 评论 -
论文阅读-8-Survey on deep learning with class imbalance
本研究的目的是检验现有的深度学习技术,以解决类不平衡数据。使用不平衡数据进行有效分类是一个重要的研究领域,因为在许多现实应用中,例如欺诈检测和癌症检测,高等级不平衡是固有的。此外,高度不平衡的数据带来了额外的困难,因为大多数学习器会表现出对多数类的偏见,在极端情况下,可能会完全忽视少数类。在过去二十年中,使用传统的机器学习模型(即非深度学习)对类失衡进行了深入研究。尽管深度学习最近取得了进展,但随着它的日益普及,在深度学习领域中,几乎没有关于类不平衡的实证研究。原创 2023-03-22 18:00:45 · 492 阅读 · 2 评论 -
论文阅读-11-Handling Inter-class and Intra-class Imbalance in Class-imbalanced Learning
类别不平衡是机器学习实践中的一个普遍问题。典型的不平衡学习(IL)方法通过直观的类别重采样或重加权来平衡数据。然而,以前的研究表明,除了类别不平衡之外,内在的数据困难因素,如重叠、噪声和小的间断也起着关键作用。为了处理它们,已经提出了许多解决方案(例如,噪声去除、边界采样、困难示例挖掘),但是仍然局限于特定的因素,并且不能推广到更广泛的场景,这提出了一个有趣的问题:如何以统一的方式处理类别不可知的困难和类别不平衡?为了回答这个问题,我们考虑了类不平衡和它的正交:类内不平衡,即简单和困难样本上的不平衡分布。这原创 2023-03-03 12:57:02 · 342 阅读 · 2 评论 -
论文阅读-14-BAGAN:Data Augmentation with Balancing GAN
图像分类数据集通常是不平衡的,这一特征对深度学习分类器的准确性产生了负面影响。提出平衡GAN(BAGAN)作为一种增强工具,用于在不平衡数据集上恢复数据的平衡。这是具有挑战性的,因为少数少数类图像可能不足以训练GAN。我们通过在对抗性训练期间包括大多数和少数类的所有可用图像来克服这个问题。生成模型从大多数类中学习有用的特征,并使用这些特征来生成少数类的图像。我们在潜在空间中应用类条件反射来驱动生成过程朝着目标类前进。GAN 中的生成器使用自动编码器的编码器模块初始化,使我们能够在潜在空间中学习准确的类条件。原创 2023-03-02 20:39:53 · 883 阅读 · 2 评论 -
论文阅读-16-Class-Balanced Loss Based on Effective Number of Samples
提出有效样本数的概念延伸出损失函数的加权因子(有效样本数的倒数),得到类平衡损失函数原创 2023-02-24 13:52:50 · 372 阅读 · 0 评论 -
论文阅读-13-MESA: Boost Ensemble Imbalanced Learning with META-sampler
本文介绍了一种新的集成IL框架MESA。它在迭代中自适应地重采样训练集,得到多个分类器,形成级联集成模型。MESA直接从数据中学习采样策略,以优化最终指标,而不是采用随机试探法。与流行的基于元学习的IL解决方案不同,通过在任务不可知的元数据上独立地训练元采样器,来分离MESA中的模型训练和元训练。这使得MESA普遍适用于大多数现有的学习模型,元采样器可以有效地应用于新的任务。原创 2023-02-15 15:22:07 · 261 阅读 · 1 评论 -
论文阅读-1-Rethinking the Value of Labels for Improving Class-Imbalanced Learning
通过标签入手,改善不平衡学习。原创 2022-11-05 14:32:21 · 517 阅读 · 0 评论