AAAIDec, 2023

多标签分类的鲁棒性：对抗不平衡和噪声的数据增强策略

PDF
TL;DR我们提出了一种统一的数据增强方法 BalanceMix，用于解决多标签分类中的类别不平衡和噪声问题。我们的方法包括两个样本策略，用于生成具有高多样性的少数类增强样本。它还在标签粒度上对多标签进行细分，将噪声标签归类为清晰、重新标记或不确定，以实现鲁棒优化。在三个基准数据集上进行的大量实验表明，BalanceMix 优于现有的最先进方法。我们在此 https 的网址上发布了代码。
发现论文，激发创造
  • 高度不平衡医学图像分类的平衡 MixUp

    提出一种基于 MixUp 正则化技术的平衡采样机制，称为 Balanced-MixUp，可以同时对训练数据进行正常（基于实例）和平衡（基于类）采样，使神经网络可以有效地学习高度不平衡的医学图像分类数据集。实验结果表明，Balanced-MixUp 优于其他常规采样方案和针对不平衡数据设计的损失函数。

    Sep, 2021

  • AugMix：一个简单的数据处理方法，用于提高鲁棒性和不确定性

    本文提出了一种名为 AugMix 的数据处理技术，该技术对图像分类器的鲁棒性和不确定性估计有显著的提高，这有助于模型抵御在部署过程中遇到的意外破坏。

    Dec, 2019

  • IPMix：用于训练鲁棒分类器的标签保持数据增强方法

    IPMix 提供了一种简单且可用于提高神经网络的鲁棒性的数据增强方法，通过整合图像级、补丁级和像素级三层数据增强，并引入结构复杂性和随机混合方法以扩大训练数据的多样性，实现在多个评估参数上的优越性能。

    Oct, 2023

  • 从 SMOTE 到 Mixup 的深度不平衡分类

    通过增强传统的 SMOTE 方法并与 Mixup 结合，提出了一种统一的深度学习数据增强框架，实验结果表明该方法在深度不平衡分类任务上具有最先进的性能，并且在极度不平衡数据上也达到了优异的效果。

    Aug, 2023

  • 面向长尾视觉识别的校准模型

    提出了两种新方法，一种是平衡取向的数据增强（Uniform Mixup），另一种是基于贝叶斯理论的 Bayes Bias，并通过理论和实验证明，这两种方法能够确保分类校准和提高性能。

    Nov, 2021

  • 应对非均衡分类中的多元少数群体

    通过迭代数据混合的马尔科夫决策过程（MDP）来解决不平衡数据集的问题，并通过使用数据扩充策略训练一个数据扩充策略并设计一种奖励信号，探索分类器的不确定性并鼓励性能提升，不考虑分类器的收敛，从而展示了解决具有不同类别少数样本的不平衡数据集的潜力和前景。

    Aug, 2023

  • 通过防止样本选择的偏差来学习不平衡有噪声数据

    提出了一种用于处理不平衡数据集中的噪声标签的简单而有效的方法，该方法基于类平衡的样本选择（CBS），结合置信度的样本增强（CSA），利用模型的训练动态纠正噪声样本的标签，并采用一致性正则化来提升模型性能。综合实验结果表明，我们的方法在不平衡情况下具有良好的效果和优越性。

    Feb, 2024

  • DoubleMix: 简单的基于插值的数据增强方法用于文本分类

    提出了一种名为 DoubleMix 的插值数据增强方法，通过合成的数据集和原始数据集在神经模型的隐藏空间中进行插值，以及学习隐藏空间中的 “偏移” 特征来提高模型的鲁棒性，在六个文本分类基准数据集上，该方法优于几种流行的文本增强技术，同时在低资源情况下也能保持性能的提升。

    Sep, 2022

  • 学习噪声标签的增强策略

    本文研究了应对 “学习有噪音标签” 问题的多种数据增广策略，通过在 CIFAR-10、CIFAR-100 和 Clothing1M 等数据集上的实验，发现在 warm-up 阶段和学习阶段使用不同的增广策略能够最有效地提高 DNNs 的鲁棒性，同时也提出了一种关于样本筛选的增广方法，该方法在对真实噪音数据集进行处理时比其他基线方法取得了更好的结果。

    Mar, 2021

  • 通过子群混合增强数据以提高公平性

    通过对小组之间进行配对混合的数据增广方法，改善组间公平性并提高分类性能，特别是针对少数群体的社会偏见问题。

    Sep, 2023