类别加权分类：权衡和健壮方法

May, 2020

Class-Weighted Classification: Trade-offs and Robust Approaches

Ziyu Xu, Chen Dan, Justin Khim, Pradeep Ravikumar

TL;DR本研究提出了一种针对不平衡分类问题的解决方案，使用加权损失按照正确分类对错误分类的影响程度进行损失估计，进而提出了鲁棒风险的概念，得出了特殊情况下的条件价值风险的鲁棒风险解法，同时这种解法可用于改善类条件风险。

Abstract

We address imbalanced classification, the problem in which a label may have low marginal probability relative to other labels, by weighting losses according to the correct class. First, we examine the convergence rates of the expected excess weighted risk of plug-in classifiers where t

imbalanced classification weighted losses robust risks conditional value at risk label heterogeneous conditional value at risk

发现论文，激发创造

基于标签感知的有界 CVaR 的鲁棒长尾学习

本文提出了两种基于 CVaR（条件风险值）的方法来改善长尾学习问题，在理论上提供了坚实的支持，通过实验证实了所提出方法的优越性。

Aug, 2023

不平衡分类问题的尖锐误差界限：少数类示例有多少个？

处理不平衡分类数据时，重新权衡损失函数可以在风险度量内平衡正负类的真实率。然而，现有结果未能充分解决不平衡分类框架中的一个主要挑战，即相对于整个样本空间，一个类别的尺寸微不足道，并且需要将风险函数按趋近于零的概率重新缩放。为了解决这一差距，我们在罕见类概率接近零的情况下提出了两个新的贡献：(1) 用于约束平衡实验风险最小化的非渐近快速概率界限，以及 (2) 平衡最近邻估计的一致上界。我们的发现更清楚地了解了类别加权在实际情况下的好处，并为该领域的进一步研究开辟了新的途径。

Oct, 2023

条件风险下的统计学习

研究一种基于条件风险价值（CVaR）的风险规避统计学习框架，提出了基于随机梯度下降的算法。对于凸和 Lipschitz 的损失函数，该算法收敛到最优 CVaR，而对于非凸和平滑的损失函数，该算法在 CVaR 上的泛化界表现良好。通过在各种机器学习任务上进行数值实验，证明了该算法有效地将 CVaR 最小化。

Feb, 2020

通过条件风险价值优化学习健壮的选项

本文提出了一种基于条件风险价值方法的学习选项的方法，旨在处理具有不确定性的模型参数，以实现在平均和最坏情况下都能良好运作的选项，通过实验评估表明该方法在多关节机器人控制任务中获得了较好的表现。

May, 2019

通过重要性加权对带噪声标签的数据进行分类

本文研究了一个分类问题，其中样本标签被随机损坏。我们解决了如何在有标签噪声的情况下最好地利用传统分类问题的丰富代理损失函数，通过重要性重新加权来使用任何代理损失函数进行带有噪声标签的分类，以及如何获得噪声率的问题。

Nov, 2014

深度加权平均分类器

本文提出了一种简单的方法，通过从非参数核回归中的一些想法得出训练实例的加权总和来预测标签，并在符合性方法的框架内提出了一种新的非一致性测量法，实验验证了理论预期，证明了在不影响准确性或校准的情况下，提高了透明度、可控的错误率和抵抗域外数据的鲁棒性。

Nov, 2018

协变量偏移适应性的双加权方法

该研究提出了最小化风险分类的方法来处理资料控制变量变化的问题，同时也发展了有效的技术，取得了更好的分类性能。

May, 2023

超参数下标签不平衡和组别敏感分类

本文中，我们提出通过向深度网络添加 logit 权重调整来解决标签不平衡和组敏感分类问题。我们发现线性分类器必须引入乘性权重调整，而不是加性调整，以便在 TPT 中改变分类边界，我们提出了矢量缩放（VS）损失。此外，我们在状态 - 最新数据集上进行了实验，并确认了我们算法卓越的性能。

Mar, 2021

基于加权损失的部分标签学习

本文通过提出一种 Leveraged Weighted 损失函数，并推导出该函数的风险一致性，并在实验中得到验证，证明了其在面对部分标签学习中的高效性，从而提供了关于 Leverage 参数选择的指导。

Jun, 2021

具有贝叶斯数据重新加权的强健概率建模

本研究提出了一种方法，通过将每个观察的可能性变为一种权重，从数据中推断连续变量和权重，以检测和减轻大量概率模型的不匹配性，并明确不同类型的不匹配性对模型的影响与表现，这有助于提高模型的鲁棒性和预测准确性。

Jun, 2016