该研究提出了一种基于成本敏感深度神经网络的方法,可以在不改变原始数据分布的情况下解决类别不均衡的问题,并在六个主要图像分类数据集上进行了实验证明其明显优于现有方法。
Aug, 2015
本文提出了使用预训练模型进行迁移学习并使用主动学习方法选取最有用的样本来有限微调模型,以此降低标注成本并实现深度神经网络的经济有效训练。在多个数据集和不同预训练模型上进行的实验证明了该方法的有效性。
Feb, 2018
我们针对多分类成本敏感分类问题设计了主动学习算法:通过回归每个标签的成本并预测最小值来进行预测,它只查询可能最好的标签,忽略不可能的失败者,我们证明了 COAL 可以高效地实现任何支持平方损失优化的回归函数家族;它还享有与预测性能和标签工作量相关的强大保证。我们在真实数据集上将 COAL 与被 动学习和几种主动学习基线进行了经验比较,证明在标签工作量和测试成本方面有显着的改进。
Mar, 2017
本研究提出了一种基于强化学习和 MC dropout 采样方法的在线成本敏感特征获取方案,该方案可适用于流式学习的场景,测试结果表明该方案能够有效地获取特征并做出准确预测。
Jan, 2019
设计了一种用于成本敏感分类的通用非参数主动学习算法,通过构建每个标签的预测成本函数的置信区间,该算法选择最具信息量的向量点,通过仅查询可能是最小的预测成本来与其交互,证明了该算法在与向量空间的交互数量方面达到了最优收敛速率,并且在对 Tsybakov 的噪声假设的一般版本中,通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益,并且通过提供匹配的(仅差对数因子的)下界证明了获得上界的接近最优性。
Sep, 2023
本文提出了一类基于自适应正则化的代价敏感在线分类算法,并将描绘技术引入到算法中以提高效率。通过针对真实世界的在线异常检测任务的应用,证明了该算法在各种领域中解决代价敏感在线分类问题的有效性和效率。
Apr, 2018
本文研究一个分类问题,针对特征的代价进行优化,通过应用神经网络的顺序决策方法来解决分类问题,表现与专为此问题开发的算法相当,并且灵活性高,可通过引入预先训练的高性能分类器来改进。
Nov, 2017
本论文通过构建一颗代价敏感的分类器树来减少特征提取时间,从而解决在大规模实际应用中平衡分类器准确率和测试时间成本的挑战。
Oct, 2012
本论文提出了一种新颖的代价敏感分类方法,称为软代价敏感分类,通过多准则优化将代价和错误率相结合,可以改善现有的代价敏感分类算法,并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明,该方法在测试错误率和测试代价方面都比现有的代价敏感分类算法更优秀。
Oct, 2017
本文提出了一种自适应的代价敏感学习策略,用于修改深度学习模型,以解决不平衡时间序列分类任务中的问题,并证明了该策略能够有效地改进卷积神经网络和残差网络的分类性能,从而应用于不平衡时间序列分类问题。
Jan, 2018