Mar, 2021

超参数下标签不平衡和组别敏感分类

PDF
TL;DR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。
label-imbalanced classificationgroup-sensitive classificationdeep netsvector-scaling lossequal opportunity
发现论文，激发创造
  • 使用不可分解目标训练超参数模型

    本文提出一种新的代价敏感损失函数，以解决标签代价权重重新加权训练在过度参数化模型中可能导致的问题，并进行了 ResNet 模型的实验验证。

    Jul, 2021

  • 影响平衡损失函数：解决不均衡视觉分类问题

    我们提出了一种平衡训练方法，通过衍生用于平衡训练阶段的新丢失，有效改善任何类型的不平衡学习方法的性能，从而解决了数据不平衡问题。我们的实验结果表明，所提出的损失优于现有的基于成本的损失方法。此外，我们的损失并不限于特定任务、模型或训练方法，因此可以轻松地与其他最近的重新采样、元学习和基于成本的学习方法结合使用以解决类别不平衡问题。

    Oct, 2021

  • 通过逻辑调整实现长尾学习

    本文介绍了两种简单的技术对抗现实场景中数据标签分布的不平衡性，包括采用标签频率进行 logistic 校准 以及在训练过程中强制实施其中之一或两种技术能够鼓励罕见标签与支配标签之间拥有一个相对较大的罕见标签较大的标签在一些学习情况中具有更好的表现。

    Jul, 2020

  • 利用标记和未标记的数据进行一致性公平二元分类

    研究二分类问题中的公平问题，通过使用 “Equal Opportunity”，确保真正的阳性率在敏感组中分布均匀。通过重新校准贝叶斯分类器，获得公平最优分类器。提供了一组门槛的构造表达式，并基于无标签和有标签的数据集设计了一个插件分类过程，可以计算公平错误，同时在公平度量上保持统计一致性。

    Jun, 2019

  • AdaCC: 累积代价敏感增强学习用于不平衡分类

    本文提出了一种新的成本敏感的提升方法 AdaCC，该方法不依赖于固定的错误分类成本矩阵，而是根据模型性能动态调整误分类成本，优于 12 种现有方法，在 27 个真实世界数据集上实现了稳定的改进。

    Sep, 2022

  • 基于代价敏感学习的深度特征表示从非平衡数据中学习

    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

  • 类别加权分类：权衡和健壮方法

    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。

    May, 2020

  • 非参数主动学习用于成本敏感分类

    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

  • 不平衡学习中加权重和对数调整的统一概化分析

    通过对失衡学习的概括分析和数据依赖性收缩等技术，建立了一个精细的不平衡学习泛化界限，进一步揭示了重新加权和逻辑调整的原理，并开发了一个基于理论洞察的原则学习算法。

    Oct, 2023

  • 构成分类的多组公平性提高的可伸缩解决方案

    本文提出了多组多标签系统中两种简单的技术，任务超条件和组交错，以在改善公平性方面取得常数级别的进展。实验结果表明，这种提议在学术和现实环境中具有很高效的可行性。

    Jul, 2023