HeroLT：异构长尾学习基准评估

Jul, 2023

HeroLT: Benchmarking Heterogeneous Long-Tailed Learning

Haohui Wang, Weijie Guan, Jianpeng Chen, Zi Wang, Dawei Zhou

TL;DR本文提出了一个最综合的长尾学习基准 HeroLT，其中包含 13 种最先进的算法和 6 种评估指标，旨在从数据长尾性、各种领域的数据复杂性和新任务的异构性三个方面提供长尾学习的系统视图，并对未来的研究方向进行了探讨。

Abstract

Long-tailed data distributions are prevalent in a variety of domains, including finance, e-commerce, biomedical science, and cyber security. In such scenarios, the performance of machine learning models is often dominated by the head categories, while the learning of tail categories is

long-tailed learning machine learning models data complexity herolt benchmark evaluation metrics

发现论文，激发创造

在图上表征长尾类别

本文提出了长尾数据在图分类中的泛化界限，为了解决这个问题，我们引入了多任务学习，并建立了一个通用框架 Tail2Learn，该框架通过分层任务分组模块和平衡对比学习模块，可以提高长尾类别在图上的性能。

May, 2023

深度长尾学习综述

本文系统总结了深度长尾学习的最新进展，围绕着类别再平衡、信息增强和模块改进三个主要类别对相关方法进行详细探讨，并通过提出的相对准确度评估指标对最先进的方法进行了实证分析，为深度长尾学习的应用和未来研究方向提供了重要的参考。

Oct, 2021

应对领域转移下的长尾类别分布

使用三种新的核心功能块，以及集成在元学习框架中，解决长尾分布分类和领域漂移问题，提高了领域泛化在新的目标领域上的表现。

Jul, 2022

走向联邦长尾学习

本文探讨如何在隐私保护联邦学习框架下，同时解决学习长尾数据分布及数据隐私保护问题，提出了三种不同的长尾数据分布情景，并强调了相应的挑战。初步结果表明，解决联邦长尾学习任务需要更多的工作和研究。

Jun, 2022

通过协同专家实现图分类的长尾识别

通过协同多专家学习 (CoMe) 提出了一种新的长尾图级分类框架，从头部和尾部类的视角发展出平衡对比学习和基于难类挖掘的个体专家分类器训练，并在多专家框架中进行门控融合和解耦知识蒸馏。通过在七个广泛应用的基准数据集上进行全面实验，证明了我们的 CoMe 方法相对于现有技术基准的优势。

Aug, 2023

深度长尾分类进展综述

不均匀数据的深度学习中的挑战及方法研究，重点关注长尾分类问题。

Apr, 2024

野外文本分类：大规模长尾姓名标准化数据集

本文研究机构名称的规范化问题，针对实际数据应用中存在的长尾分布情况，提出了一个包含超过 25k 类的长尾数据集 LoT-insts1，并进行了基于搜索方法和 Bert 模型的神经网络等多种方法的基准测试及提出了一种特殊的 Bert 模型，在 few-shot 和 zero-shot 测试集上表现更好。该数据集是自然长尾且包含许多训练数据，是第一个专注于长尾和开放式分类问题的自然语言数据集。

Feb, 2023

路由多样分布感知专家实现长尾识别

本文提出了一种新型的长尾分类器 RIDE，通过多个专家、分布感知多样性损失以及动态专家路由模块来减小模型方差、缩小模型偏差与尾部的差距，相较于现有的方法，在 CIFAR100-LT、ImageNet-LT 和 iNaturalist 2018 基准测试上性能提高了 5％到 7％，并可应用于各种主干网络和长尾算法，具有较高的普适性和一致性性能。

Oct, 2020

长尾学习作为多目标优化

通过多目标优化，我们提出一种梯度平衡聚类（GBG）策略，以应对现实世界数据中的类别不平衡和长尾分布问题，并在长尾学习中展现出比现有方法更优越的性能。

Oct, 2023

适应长尾：迁移学习研究在语言理解任务上的元分析

对自然语言理解中基于转移学习的长尾现象进行了定量的元分析研究，较全面地探讨了转移学习方法在改善此类现象上的可行性问题和方法论实现问题，并在基于临床叙述的案例研究中比较了多种适应性方法的性能表现。

Nov, 2021