論文の概要: Annealing Genetic GAN for Minority Oversampling
- arxiv url: http://arxiv.org/abs/2008.01967v1
- Date: Wed, 5 Aug 2020 07:19:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 17:29:07.275597
- Title: Annealing Genetic GAN for Minority Oversampling
- Title（参考訳）: マイノリティオーバーサンプリングのためのAnealing Genetic GAN
- Authors: Jingyu Hao and Chengjia Wang and Heye Zhang and Guang Yang
- Abstract要約: GAN(Generative Adversarial Networks)は、クラス不均衡問題に対処する可能性を示している。
本稿では,限られたデータサンプルのみを用いて,マイノリティクラスに最も近い分布を再現することを目的としたAnnealing Genetic GAN (AGGAN)法を提案する。
- 参考スコア（独自算出の注目度）: 5.818339336603936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The key to overcome class imbalance problems is to capture the distribution
of minority class accurately. Generative Adversarial Networks (GANs) have shown
some potentials to tackle class imbalance problems due to their capability of
reproducing data distributions given ample training data samples. However, the
scarce samples of one or more classes still pose a great challenge for GANs to
learn accurate distributions for the minority classes. In this work, we propose
an Annealing Genetic GAN (AGGAN) method, which aims to reproduce the
distributions closest to the ones of the minority classes using only limited
data samples. Our AGGAN renovates the training of GANs as an evolutionary
process that incorporates the mechanism of simulated annealing. In particular,
the generator uses different training strategies to generate multiple offspring
and retain the best. Then, we use the Metropolis criterion in the simulated
annealing to decide whether we should update the best offspring for the
generator. As the Metropolis criterion allows a certain chance to accept the
worse solutions, it enables our AGGAN steering away from the local optimum.
According to both theoretical analysis and experimental studies on multiple
imbalanced image datasets, we prove that the proposed training strategy can
enable our AGGAN to reproduce the distributions of minority classes from scarce
samples and provide an effective and robust solution for the class imbalance
problem.
- Abstract（参考訳）: クラス不均衡問題を解決する鍵は、マイノリティクラスの分布を正確に捉えることである。
generative adversarial networks (gans) は、十分なトレーニングデータサンプルを与えられたデータ分布を再現する能力があるため、クラス不均衡問題に取り組む可能性を示している。
しかし、1つ以上のクラスのサンプルが不足していることは、GANが少数クラスの正確な分布を学習する上で大きな課題となる。
本研究では,限られたデータサンプルのみを用いて,マイノリティクラスに最も近い分布を再現することを目的としたAnnealing Genetic GAN (AGGAN)法を提案する。
我々のAGGANは、シミュレーションアニーリングのメカニズムを組み込んだ進化過程として、GANのトレーニングを再構築する。
特に、ジェネレータは、複数の子孫を生成し、ベストを維持するために、異なるトレーニング戦略を使用する。
次に、シミュレーションアニーリングでメトロポリス基準を用いて、ジェネレータの最良の子孫を更新すべきかを判断する。
メトロポリスの基準は、より悪い解決策を受け入れる機会を許容するので、AGGANは地域最適化から遠ざかることができる。
複数の不均衡画像データセットに関する理論的解析と実験的研究の両面から、提案したトレーニング戦略により、少ないサンプルからマイノリティクラスの分布を再現することが可能であることが証明され、クラス不均衡問題に対する効果的で堅牢な解が提供される。
関連論文リスト
- Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Reweighted Mixup for Subpopulation Shift [63.1315456651771]
サブポピュレーションシフトは、多くの実世界のアプリケーションに存在し、同じサブポピュレーショングループを含むが異なるサブポピュレーション比率を持つトレーニングとテストの分布を指す。
重要度再重み付けは、サブポピュレーションシフトを処理する古典的で効果的な方法である。
我々は、オーバーフィッティング問題を緩和するために、reweighted mixupと呼ばれるシンプルで実用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-09T03:44:50Z) - Imbalanced Class Data Performance Evaluation and Improvement using Novel
Generative Adversarial Network-based Approach: SSG and GBO [0.0]
本研究は, GAN-based Oversampling (GBO) と Support Vector Machine-SMOTE-GAN (SSG) の2つの新しい手法を提案する。
予備計算の結果、SSGとGBOは元のSMOTEよりも、拡張された不均衡な8つのベンチマークデータセットでより良い性能を示した。
論文 参考訳（メタデータ） (2022-10-23T22:17:54Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z) - SMOTified-GAN for class imbalanced pattern classification problems [0.41998444721319217]
本稿では,SMOTEとGANの相乗効果を持つ2相オーバーサンプリング手法を提案する。
実験の結果,様々なベンチマークデータセットにおいて,マイノリティクラス(es)のサンプル品質が向上していることが証明された。
論文 参考訳（メタデータ） (2021-08-06T06:14:05Z) - MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to
Limited Data Domains [77.46963293257912]
本稿では,特定の対象領域に最も有益である知識をマイニングした生成モデルのための新しい知識伝達手法を提案する。
これは、各事前訓練されたGANの生成分布のどの部分が対象領域に最も近いサンプルを出力しているかを識別するマイカネットワークを用いて行われる。
提案手法はMineGANと呼ばれ,ターゲット画像が少ない領域に効果的に知識を伝達し,既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-28T13:10:56Z) - Gamma distribution-based sampling for imbalanced data [6.85316573653194]
不均衡なクラス分布は、医学診断、不正検出など、多くの分野において一般的な問題である。
本稿では,マイノリティクラスインスタンスのインテリジェントな再サンプリングを通じて,データ中のクラス分布のバランスをとる新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-22T06:39:13Z) - The Bures Metric for Generative Adversarial Networks [10.69910379275607]
GAN(Generative Adversarial Networks)は、高品質なサンプルを生成する高性能な生成手法である。
実バッチの多様性と偽バッチの多様性を一致させることを提案する。
多様性マッチングはモード崩壊を著しく低減し, サンプル品質に肯定的な影響を及ぼす。
論文 参考訳（メタデータ） (2020-06-16T12:04:41Z) - Imbalanced Data Learning by Minority Class Augmentation using Capsule
Adversarial Networks [31.073558420480964]
本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。
我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。
カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
論文 参考訳（メタデータ） (2020-04-05T12:36:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。