潜在保存对抗生成网络用于不平衡分类

Sep, 2022

潜在保存对抗生成网络用于不平衡分类

Latent Preserving Generative Adversarial Network for Imbalance classification

Tanmoy Dam, Md Meftahul Ferdaus, Mahardhika Pratama, Sreenatha G. Anavatti, Senthilnath Jayavelu...

TL;DR本文提出了一种端到端的深度生成分类器，通过使用领域约束自编码器作为生成器的先验来解决类不平衡问题，并使用判别器和分类器进行对抗学习，实验结果验证了该方法在处理高维类不平衡分类问题方面的卓越性。

Abstract

Many real-world classification problems have imbalanced frequency of class labels; a well-known issue known as the "class imbalance" problem. Classic classification algorithms tend to be biased towards the majority class, leaving the classifier vulnerable to misclassification of the mi

class imbalance deep generative classifier domain-constraint autoencoder adversarial game high-dimensional problems

发现论文，激发创造

使用 Polarity-GAN 去除类别不平衡：一种不确定性采样方法

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

使用自编码器和生成对抗网络的方法处理多组学数据的不平衡类别和分类

该研究使用神经网络结合自编码器提取特征的潜在空间，并利用生成对抗网络 GAN 生成合成样本，以解决医学数据集中的样本不平衡和高维数据降维的挑战，并在膀胱癌数据集和乳腺癌数据集上分别取得了 95.09% 和 88.82% 的准确度。

May, 2024

生成式对抗少数族裔过采样

本文提出了一种基于三方博弈的凸生成器算法，通过在深度学习系统中处理类别不平衡，在类别边界附近生成人工样本，从而优化分类器的性能。对多个类别不平衡的图像数据集进行的实验证实了算法的有效性。

Mar, 2019

通过联合生成和分类缓解数据集不平衡

本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

Aug, 2020

不平衡问题的对抗分类器

本文提出了一种基于对抗训练的分类器训练框架，可以处理不平衡数据，并通过给优势类别的样本加权来提高判别器的分类能力，同时也可以扩展到图形表示学习等其他问题。实验结果表明，相比现有的方法，本方法在不平衡数据分类和图形链接预测等任务中表现更优。

Nov, 2018

BAGAN: 平衡 GAN 的数据增强

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

HexaGAN: 用于现实分类的生成式对抗网络

本文提出了一种名为 HexaGAN 的深度学习分类算法，它针对问题而来自三个问题（缺失数据，类别失衡和缺失标签），并通过新的预处理方法展现出良好的分类性能。

Feb, 2019

使用生成对抗网络的增量式分类器学习

通过使用新的损失函数、简单的方法来解决分类失效和利用生成对抗网络来生成历史数据和选择代表性样本，我们解决了增量分类器学习中的灾难性遗忘问题，并在 CIFAR-100、Flower-102 和 MS-Celeb-1M-Base 数据集上进行了验证，证明了我们方法的有效性，并且生成的数据比真实图像具有更少的隐私问题。

Feb, 2018

使用生成对抗网络的情感分类数据增强

本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用 GAN 进行数据增强，可以使分类准确率提高 5％〜10％。

Nov, 2017

Defense-GAN: 使用生成模型保护分类器免受对抗攻击

Defense-GAN 使用生成模型来抵御深度神经网络受到的对抗性攻击，并不需要修改分类器结构或者训练过程，可以适用于任何分类模型，并且不需要了解生成对抗性示例的过程。在不同的攻击方法下，实验证明 Defense-GAN 对抗性攻击防御策略具有一致的有效性，并可以提高现有的防御策略。

May, 2018