基于进化算法辅助深度神经网络的非平衡图像分类分布学习

Jul, 2022

基于进化算法辅助深度神经网络的非平衡图像分类分布学习

Distribution Learning Based on Evolutionary Algorithm Assisted Deep Neural Networks for Imbalanced Image Classification

Yudi Zhao, Kuangrong Hao, Chaochen Gu, Bing Wei

TL;DR提出了一种在特征级别而非数据级别上基于过采样的解决不平衡分类任务中生成图像的质量多样性平衡问题的方法，并在这一基础上，设计了一种改进的估算分布算法，即基于潜在特征分布演化的改进估算分布算法 (MEDA_LUDE)。大量实验验证了所提出的算法的有效性，并成功地应用于工业领域中的织物缺陷分类。

Abstract

To address the trade-off problem of quality-diversity for the generated images in imbalanced classification tasks, we research on over-sampling based methods at the feature level instead of the data level and foc

imbalanced classification over-sampling latent feature space deep neural networks evolutionary algorithm

发现论文，激发创造

使用具有标签分布感知边缘损失函数学习不平衡数据集

为了解决深度学习在类别分布不平衡的情况下训练表现差的问题，本研究提出了两种新的方法：一、设计了基于理论的标签分布感知边界 (LDAM) 损失函数；二、提出了一种简单而有效的训练策略来推迟重新加权，并在减轻权重的复杂性的同时实现模型对初始表示的学习，实验结果表明这两种方法能够提高模型性能。

Jun, 2019

图像分类中重新思考特征分布的损失函数

本研究提出了一种基于大边界高斯混合（L-GM）损失函数的深度神经网络分类方法，相较于常规的 softmax cross-entropy 损失函数，通过加入分类边界和似然正则化，提高了分类准确性以及对于训练特征分布的建模精度，可以用于区分异常输入如对抗性样本等。经过 MNIST、CIFAR、ImageNet 和 LFW 等基准测试和对抗性样本测试，证明了本方法的有效性。

Mar, 2018

基于一种狄利克雷分布混合的改进证据深度学习

该论文通过混合狄利克雷分布的变分推断来建模一致的目标分布，并通过学习得到的元分布模型提取目标模型中的学到的不确定性。实验证明我们提出的方法在各种基于不确定性的后续任务中具有优越性，并展示了学到的认知不确定性的一致性和不一致性带来的实际影响。

Feb, 2024

平衡行为：扩散模型中的分布导向去偏

提出了一种无需额外数据或模型重新训练的去偏置方法，利用属性分布引导生成的图像，通过 Attribute Distribution Predictor（ADP）建立属性分布预测器，从而实现公平生成，并通过生成数据平衡训练集来训练公平属性分类器。

Feb, 2024

用于人脸反欺诈的潜在分布调整

本论文提出了一种名为 Latent Distribution Adjusting（LDA）的统一框架，通过多个样本原型来调整复杂的数据分布，以改善面部防欺骗模型的鲁棒性，并能适应多种不同分布的数据集。实验结果表明，此框架在多个标准的面部防欺骗基准测试中表现良好。

May, 2023

MedAL：面向医学图像分析的深度主动学习采样方法

本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

Sep, 2018

高效通讯的分布式鲁棒性分布式学习

本文介绍了一种分布式学习算法 —— 去中心化单环梯度上升 / 下降算法（AD-GDA），以解决设备之间数据分布不均导致合作训练模型性能下降的问题，并采用压缩共识方案提高通信效率，并给出了平滑凸和非凸损失函数的收敛性保证。

May, 2022

提升公平性的混合效应深度学习对聚类（非独立同分布）数据中的内部和外部公平性有所改进

通过引入簇不变固定效应和簇特定随机效应，我们提出了一种混合效应深度学习（MEDL）框架，以同时解决传统深度学习中的样本独立性和公平性问题。通过对贷款批准和健康保险费率等关键领域中正当性敏感变量进行公平性推进，MEDL 框架显著提高了公平性，同时保持高性能和清晰度。

Oct, 2023

基于流形嵌入分布对齐的视觉领域自适应

该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

Jul, 2018

基于遗传编程的进化深度学习用于数据高效图像分类

本文提出了一种基于遗传编程的演化深度学习方法，可以自动演化可变长度模型，同时构建有效和多样化的 ensemble 用于图像分类，具有优越的性能和解释性。

Sep, 2022