- Experimenting with an Evaluation Framework for Imbalanced Data Learning (EFIDL) [9.0]
データ不均衡は,ラベルの少ないビッグデータ分析において重要な問題のひとつだ。 機械学習アルゴリズムの性能を改善するために、多くのデータバランス法が導入された。 我々は不均衡なデータ学習のための新しい評価フレームワークを提案する。
論文 参考訳(メタデータ) (Thu, 26 Jan 2023 01:16:02 GMT) - 不均衡データセットに対応する手法への評価フレームワークの提案。様々な手法が試されており、その部分も参考になる。(評価手法を間違えているので)不均衡データへの対応手法が非常に効果的と誤った結論を出しがちというのはとっても同意。この論文の結論の一つは「data augmentation does not help improve ML prediction performance」
- 参考にはなるのだが「Instead, we used the default parameters provided by the scikit-learn library.」というのは…
Imbalance
1 / 1 ページ
Learning Imbalanced Datasets with Maximum Margin Loss
- Learning Imbalanced Datasets with Maximum Margin Loss [21.3]
クラス不均衡データ学習問題を考慮した学習アルゴリズムとして,最大マージン(MM)を提案する。 我々は、シフトする決定境界を通して有界なマージン一般化を最小化することで、新しい最大マージン損失関数を設計する。
論文 参考訳(メタデータ) (Sat, 11 Jun 2022 00:21:41 GMT)- 不均衡データへ対応可能な損失関数の提案。
- リポジトリはGitHub - ihaeyong/Maximum-Margin-LDAM: Learning Imbalanced Datasets With Maximum Margin Losss
IMBENS: クラス不均衡なデータに対する学習
- Towards Inter-class and Intra-class Imbalance in Class-imbalanced Learning [24.0]
不均衡学習(IL)は、データマイニングアプリケーションに広く存在する重要な問題である。 本稿では,多目的アンサンブル学習フレームワークである Duple-Balanced Ensemble について述べる。 一般的な手法とは異なり、DUBEは、重い距離ベースの計算に頼ることなく、クラス間およびクラス内バランスに直接対処する。
論文 参考訳(メタデータ) (Wed, 24 Nov 2021 20:50:54 GMT)- 現実の問題でよく見かける不均衡データに対応するフレームワーク、ライブラリ。SMOTEBoost (2003)、RUSBoost (2010)から最近のSPE (2020)まで、再サンプリングからコストセンシティブな学習まで、15以上のアンサンブルの不均衡な学習アルゴリズムが含まれているとのこと。
- ドキュメントも整備されていて使いやすそうな印象。
- リポジトリはGitHub - ZhiningLiu1998/imbalanced-ensemble: Class-imbalanced / Long-tailed ensemble learning in Python | 在类别不平衡/长尾分布数据上部署集成学习算法、ドキュメントはWelcome to imbalanced-ensemble documentation! — imbalanced-ensemble 0.1.6 documentation
- 現実の問題でよく見かける不均衡データに対応するフレームワーク、ライブラリ。SMOTEBoost (2003)、RUSBoost (2010)から最近のSPE (2020)まで、再サンプリングからコストセンシティブな学習まで、15以上のアンサンブルの不均衡な学習アルゴリズムが含まれているとのこと。
RSG(Rare-class Sample Generator):不均衡データへの対応
- RSG: A Simple but Effective Module for Learning Imbalanced Datasets [99.8]
本稿では,レアクラスのサンプル生成装置(RSG)を提案し,トレーニング中にレアクラスのサンプルを新たに生成する。 RSGは、様々な種類の畳み込みニューラルネットワークに容易に組み込むことができるため、使いやすく、非常に多用途である。 RSGを用いたIm Balanced CIFAR, ImageNet-LT, iNaturalist 2018の競争結果を得た。
論文 参考訳(メタデータ) (Fri, 18 Jun 2021 01:10:27 GMT)- 学習時にレアクラスデータを生成する方針で不均衡データへの対応。predictに影響がないのが利点でかつベンチマークではかなり良い成績。