- HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测
通过深度学习技术的发展,本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题,并设计了一种层次化注意力网络(HANet),以提高检测性能。
- AAAI抵御类增量学习中的不平衡遗忘
通过对回放类增量学习中发现的精度不平衡现象进行研究,我们提出了一个能够预测遗忘率较高的旧类别并提高其精度的方法,该方法可以无缝地集成到现有的回放类增量学习方法中,并通过广泛的实验证明了其有效性。
- 现实世界中的图神经网络调查:不平衡、噪声、隐私和 OOD 挑战
本研究系统地回顾了现有的图神经网络模型,重点关注解决实际场景中的不平衡、噪声、隐私和超出分布情景的四大挑战,同时提出了未来的研究方向和展望。
- 提升信用卡欺诈检测的神经网络与 SMOTE 集成方法
信用卡欺诈检测是金融领域的一个重要挑战,需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法,将神经网络(NN)和合成少数类过采样技术(SMOTE)结合起来,以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题,专注于技术 - HSONet:一种基于孪生前景关联驱动之难样本优化网络的高分辨率遥感图像变化检测方法
在后期训练阶段,模型对于变化的判定能力的进一步提升依赖于变化检测模型学习难例的效果,这里有两个额外的挑战:(1) 变化标签有限且主要指向前景目标,而难例样本主要存在于背景中,导致损失函数优化更关注前景目标并忽略背景的难例,也就是所谓的不平衡 - ACL多语言微调中语言特定类别不平衡的影响理解
我们研究了现实生活中多语种分类数据集中常见的一种不平衡现象:标签在不同语言之间的分布不均。我们通过证据表明,在这种不平衡的数据集上微调基于 Transformer 的 Large Language Model(LLM)会导致性能下降、隐空间 - 彻底搜索:解决不平衡的面部表情识别中的额外知识
提出了一种新的面部表情识别方法,在不平衡的数据集中利用重新平衡的注意力图和重新平衡的平滑标签,使模型能够从所有训练样本中提取与次要类别相关的变换不变信息,并在不平衡的面部表情识别任务中取得了最先进的性能。
- ICCV面向环境无关的复杂场景图生成的课程关系学习
通过构建不同分布环境来平衡主 - 客体对的不平衡,并采用课程学习策略平衡不同环境,我们提出了一种新颖的环境不变课程关系学习方法,可应用于现有的场景图生成方法,实验证明该方法实现了重要的改进。
- 利用领域自适应和数据增强构建制造深度学习模型的最小和不平衡训练数据
本文提出了一种基于领域自适应和自编码器数据增强的方法,用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题,实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。
- 基于 GAN 的数据增强解决类别不平衡问题
在信用卡欺诈检测中,机器学习被广泛运用,但因为样本集类别分布存在不平衡,这可能导致模型预测全部为多数类别而无法推广到真实情况。因此,我们使用生成对抗网络来生成一些少数类别虚拟数据,以缓解类别分布不平衡问题,从而更有效地学习数据。
- KDD非平衡分类场景下的冷启动主动学习策略
该研究提出了一种新的主动学习策略,专门解决大量无标签数据的分类初始化问题,同时处理不平衡的上下文,通过使用元素分数结合从聚类结构提取的信息到标签传播模型来解决标签稀缺和不平衡问题。以 Twitter 内容注释为例,该方法有效地处理了类别不平 - 通过寻找平坦极小值克服渐进式少样本学习中的灾难性遗忘
本研究考虑了增量式少样本学习,解决了现有方法中存在的遗忘问题,并提出在原始阶段搜索基础任务的优化解来维持模型的良好性能。实验结果表明,这一方法优于现有状态 - of-the-art 方法,接近近似的最优结果。
- CVPRPLM: 针对不平衡多标签分类的部分标签遮蔽
使用自适应估计技术估计正负样本比率,通过随机标签屏蔽技术优化训练过程,提出了一种通用的 Partial Label Masking 方法,从而平衡类别样本不均导致的性能下降问题,该方法在多标签和单标签分类数据集上,比现有方法表现更好。
- CVPR反事实零样本和开放集视觉识别
提出了一种针对零样本学习和开放式识别的可靠反事实框架,通过引入计数事实的概念来对未知类别进行样本生成,使用一致性规则进行二元分类,从而有效地减轻了样本类别分布不平衡的问题。
- ICLR自适应正则化的异方差和不平衡深度学习
提出了一种针对 heteroskedastic 数据集的数据依赖正则化技术,该方法能同时解决标签不确定性和标签分布不均衡等问题,并在多个基准测试中证实了它的有效性。
- 通用动作空间中的平衡离线评估
提出了平衡离线策略评估 (B-OPE) 的通用方法,通过将估计权重的风险最小化,减小了平衡不匹配的问题,其二分类解决方案可适用于所有操作类型,并且易于超参数调整,实验证明其在离线策略评估中得到应用。
- ICML不平衡观测数据决策中的主动学习
本文探讨基于机器学习的个性化决策支持方法,通过学习模型来预测个体治疗效果 (ITE),并提出了用估计的 ITE 模型的 Type S 错误率来评估决策的可靠性,并将估计的可靠性作为主动学习的标准来收集新的观测数据,从而演示了两个决策任务中的 - ICML淬炼对抗网络
通过引入一种简单的方法,使真实数据分布经过一个‘透镜’传达给辨别器,让生成器逐步揭示出更多细节特征,改善了 GAN 训练的质量、稳定性和收敛速度,对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。