使用生成对抗网络的情感分类数据增强
本文提出了使用生成对抗网络(GAN)生成机器学习任务的人工训练数据,以解决样本不平衡问题与个人隐私数据问题,在多个基准数据集上测试表明,使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
本文介绍使用生成式对抗网络 (GANs) 模型进行数据增强以改善情感分类器泛化能力的方法,通过对资源有限数据集训练 GAN 模型,并探索不同技术进行 GAN 模型训练,并分析了生成数据的质量以及使用 t-SNE 方法在二维空间中对生成数据和实际数据的可视化分析。
Feb, 2019
本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题,并通过使用生成对抗网络技术来增强数据集以改善网络性能,结果表明这种方法适用于低数据的情况,是值得进一步研究的领域。
Jul, 2021
本文提出了一种用于数据增强的生成对抗网络 (DAGAN) 模型,其可帮助神经网络在数据不足的情况下提高泛化能力,实验结果显示在 Omniglot、EMNIST 以及 VGG-Face 数据集中,使用 DAGAN 后精度显著提高,我们同时还使用 DAGAN 增强了匹配网络 (Matching Networks) 的性能。
Nov, 2017
本文提出了一种利用平衡生成对抗网络(BAGAN)进行数据增强的方法,通过包含绝大部分类别的图片,生成模型学习到大多数类别的有用特征,并利用类别条件来驱动生成过程。在不平衡的数据集中,本方法生成的图像质量更优。
Mar, 2018
在信用卡欺诈检测中,机器学习被广泛运用,但因为样本集类别分布存在不平衡,这可能导致模型预测全部为多数类别而无法推广到真实情况。因此,我们使用生成对抗网络来生成一些少数类别虚拟数据,以缓解类别分布不平衡问题,从而更有效地学习数据。
Jun, 2022
本研究提出了一种使用生成对抗网络来处理视觉数据集中类别不平衡问题的方法,通过在原有网络中加入分类器网络和一些附加条件,实现了在极端视觉分类任务上的最佳表现。
Dec, 2020
本研究探讨在情感分类数据集上使用标签插值的方法来增强 GAN 模型的表现,以生成可基于连续特征条件的情感图片,解决分类情感模型中无法实现平滑转换的问题。
Apr, 2022