論文の概要: Discriminative feature generation for classification of imbalanced data

• arxiv url: http://arxiv.org/abs/2010.12888v1
• Date: Sat, 24 Oct 2020 12:19:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 12:27:08.740729
• Title: Discriminative feature generation for classification of imbalanced data
• Title（参考訳）: 不均衡データの分類のための識別的特徴生成
• Authors: Sungho Suh and Paul Lukowicz and Yong Oh Lee
• Abstract要約: マイノリティクラスデータセットを対象とした新しい分類特徴生成法(DFG)を提案する。 DFGは、4つの独立したネットワークからなる生成的敵ネットワークの修正された構造に基づいている。 実験結果から,DFGジェネレータはラベル保存および多彩な特徴の増大を促進することが示された。
• 参考スコア（独自算出の注目度）: 6.458496335718508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The data imbalance problem is a frequent bottleneck in the classification performance of neural networks. In this paper, we propose a novel supervised discriminative feature generation (DFG) method for a minority class dataset. DFG is based on the modified structure of a generative adversarial network consisting of four independent networks: generator, discriminator, feature extractor, and classifier. To augment the selected discriminative features of the minority class data by adopting an attention mechanism, the generator for the class-imbalanced target task is trained, and the feature extractor and classifier are regularized using the pre-trained features from a large source data. The experimental results show that the DFG generator enhances the augmentation of the label-preserved and diverse features, and the classification results are significantly improved on the target task. The feature generation model can contribute greatly to the development of data augmentation methods through discriminative feature generation and supervised attention methods.
• Abstract（参考訳）: データ不均衡問題は、ニューラルネットワークの分類性能においてしばしばボトルネックとなる。 本稿では,マイノリティ・クラス・データセットを対象とした新しい分類的特徴生成手法を提案する。 DFGは, ジェネレータ, 識別器, 特徴抽出器, 分類器の4つの独立したネットワークで構成される, 生成的敵ネットワークの改変構造に基づいている。 注意機構を採用してマイノリティクラスデータの選択された判別的特徴を増強し、クラス不均衡対象タスクのジェネレータを訓練し、大ソースデータから予め訓練された特徴を用いて特徴抽出器と分類器を正規化する。 実験の結果,DFGジェネレータはラベル保存・多彩な特徴の増大を促進し,対象タスクにおいて分類結果を著しく改善することがわかった。 特徴生成モデルは、識別的特徴生成と監視的注意法を通じて、データ拡張手法の開発に大きく貢献することができる。

関連論文リスト

• On Learning Discriminative Features from Synthesized Data for Self-Supervised Fine-Grained Visual Recognition [21.137498023391178]
  自己監視学習(SSL)は、様々なタスクにわたる視覚的表現を取得するための顕著なアプローチとなっている。 我々は,SSLの視覚的認識に不可欠な重要な識別的特徴を抽出する能力を向上する新たな戦略を導入する。 このアプローチは、FGVRに不可欠な差別的特徴に焦点を合わせるために、合成データペアを作成する。
  論文  参考訳（メタデータ） (2024-07-19T21:43:19Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Dynamically Masked Discriminator for Generative Adversarial Networks [71.33631511762782]
  GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。 識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。 本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T12:07:01Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• IB-GAN: A Unified Approach for Multivariate Time Series Classification under Class Imbalance [1.854931308524932]
  GAN(Generative Adversarial Networks)による非パラメトリックデータ拡張は、有望なソリューションを提供する。 本稿では,データ拡張と分類を1段階のプロセスで結合する新しい手法であるImputation Balanced GAN(IB-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:31:16Z)
• cGANs with Auxiliary Discriminative Classifier [43.78253518292111]
  条件付き生成モデルは、データとラベルの基本的な結合分布を学習することを目的としている。 副分類器生成敵ネットワーク (AC-GAN) は広く用いられているが, 生成標本のクラス内多様性の低い問題に悩まされている。 本稿では,AC-GANの問題に対処するため,補助識別器(ADC-GAN)を用いた新しいcGANを提案する。
  論文  参考訳（メタデータ） (2021-07-21T13:06:32Z)
• Self-supervised GANs with Label Augmentation [43.78253518292111]
  本稿では,ラベルの強化,すなわち,自己教師付き擬似ラベルによるGANラベル(実物または偽物)の増大を図った,新たな自己教師型GANフレームワークを提案する。 提案手法は,生成モデルと表現学習の両面において,競争ベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2021-06-16T07:58:00Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
  本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-04-19T20:43:29Z)
• GIM: Gaussian Isolation Machines [40.7916016364212]
  多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。 OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。 提案されたGIMの新規性は、識別性能と生成能力にある。
  論文  参考訳（メタデータ） (2020-02-06T09:51:47Z)

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。