Feb, 2024

回归数据集的不平衡问题

PDF
TL;DR通过分析回归问题中样本分布的不平衡导致的模型倾向于忽视不常见数据且过度关注常见目标的问题，我们提出了回归问题中不平衡的首次定义，并展示其为分类中常用的不平衡度量的推广。通过这一工作，我们希望引起人们对回归不平衡问题的关注，并为未来的研究提供共同的基础。
class imbalanceregressionunder-representationover-representationimbalance measure
发现论文，激发创造
  • 理解分类如何有助于回归的方法

    在计算机视觉的深度回归方法中，添加一个分类损失到回归损失中可以得到改进的结果，尤其对于存在不平衡数据的回归任务尤为明显，因此我们建议在不平衡数据的回归任务中添加一个分类损失。

    Aug, 2023

  • 恢复平衡：基于原则的数据欠采样 / 过采样用于最佳分类

    在这项研究中，我们确定了线性分类器（支持向量机）在高维度情况下的泛化曲线的确切分析表达式，并对于数据的类别不平衡性、数据的第一和第二时刻以及所考虑的性能指标的影响给出了锐利的预测。我们表明，涉及数据的欠采样和过采样的混合策略会提高性能。通过数值实验，我们展示了我们理论预测在真实数据集、更深层次的架构和基于无监督概率模型的采样策略上的相关性。

    May, 2024

  • 深度不平衡回归研究

    文章提出了一种新的方法 Deep Imbalanced Regression（DIR）来处理实际中连续性 target 的不均衡数据分布问题，通过分布平滑技术，使用已有数据来校准标签和学习特征的分布，同时构建了大规模的实际任务实验数据集，并在计算机视觉、自然语言处理、医疗保健等领域获得了良好的实验效果。

    Feb, 2021

  • 不平衡可视回归的均衡均方误差

    本研究在统计学角度重新审视了广泛采用的均方误差（MSE）损失函数，指出它不适用于不平衡回归问题，并提出了一种新的平衡 MSE 损失函数来解决高维度的不平衡回归训练标签分布问题。在多个实际场景中，Balanced MSE 表现卓越，是高维不平衡回归的第一个通用解决方案。

    Mar, 2022

  • 半监督图不平衡回归

    本研究提出一种半监督自训练框架以解决图形回归任务中标签值稀疏的问题，并通过伪标签和图例增强等方法来平衡训练数据，从而显著减少预测图形属性的误差。

    May, 2023

  • 数据挖掘中的类别不平衡问题综述

    本文系统地研究了数据分类中的类别不平衡问题，探讨了算法、数据预处理以及特征选择等方法的优劣，为类别不平衡问题的后续研究提供了正确方向。

    May, 2013

  • 重新思考机器学习中的类别不平衡

    这篇研究提出了不仅仅是平衡比例问题，还存在方差、距离、邻域和质量不均衡的种类，这些不均衡对学习的公平性产生了显着影响，并提出了一种新的基于对数摇动的失衡学习损失方法来解决比例、方差和距离不平衡问题。实验结果表明了该方法的有效性。

    May, 2023

  • 不平衡深度回归问题的不确定性投票专家混合模型

    该研究提出了一种适用于回归问题的新型混合专家方法，利用个体专家的预测不确定性作为融合的依据，实现对不平衡数据的有效学习。实验结果表明，该方法优于现有备选方案，同时产生更好的不确定性估计。

    May, 2023

  • 处理磁盘数据不平衡的方法调查

    分类问题中存在类别不平衡的情况，而数据又是为了提高准确性而设计的，类别不平衡可能导致几个类别的错分代价更高，本文综述了不平衡数据分类领域的研究，讨论了数据层方法、算法层方法和混合方法等三个主要方面，并总结分析了现有方法的问题、算法思想、优势和劣势，另外还讨论了类别不平衡数据分类的挑战与解决策略，方便研究人员根据实际需求选择适用的方法。

    Oct, 2023

  • 不平衡数据、表示学习和 SEP 预测的调查

    深度学习方法在回归、分类和预测等各种数据驱动任务中取得了显著进展，但其进步往往建立在对训练数据集相对平衡的不切实际的假设上。然而，与现实世界中数据经常不平衡的情况不符，这削弱了这些模型在实际应用中的效果。本调查报告介绍了一些深度学习研究，摒弃了平衡数据的假设，并采用表征学习等策略来更好地逼近现实世界中的数据不平衡问题。我们还强调了在 SEP 预测中解决数据不平衡问题对成功至关重要。

    Oct, 2023