Fugu-MT 論文翻訳(概要): Removing Class Imbalance using Polarity-GAN: An Uncertainty Sampling Approach

論文の概要: Removing Class Imbalance using Polarity-GAN: An Uncertainty Sampling Approach

arxiv url: http://arxiv.org/abs/2012.04937v1
Date: Wed, 9 Dec 2020 09:40:07 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 02:12:27.942373
Title: Removing Class Imbalance using Polarity-GAN: An Uncertainty Sampling Approach
Title（参考訳）: 極性ganを用いたクラス不均衡の除去 : 不確実性サンプリングアプローチ
Authors: Kumari Deepshikha and Anugunj Naman
Abstract要約: 本稿では,ジェネレータネットワークg,判別器ネットワークd,分類器ネットワークcを備えた生成型逆ネットワーク(gan)を提案する。 FashionMNIST, MNIST, SVHN, ExDark, MVTec Anomaly データセット, Chest X-Ray データセット上での極端視覚的分類タスクにおけるアートパフォーマンスの状況について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Class imbalance is a challenging issue in practical classification problems for deep learning models as well as for traditional models. Traditionally successful countermeasures such as synthetic over-sampling have had limited success with complex, structured data handled by deep learning models. In this work, we propose to use a Generative Adversarial Network (GAN) equipped with a generator network G, a discriminator network D and a classifier network C to remove the class-imbalance in visual data sets. The generator network is initialized with auto-encoder to make it stable. The discriminator D ensures that G adheres to class distribution of imbalanced class. In conventional methods, where Generator G competes with discriminator D in a min-max game, we propose to further add an additional classifier network to the original network. Now, the generator network tries to compete in a min-max game with Discriminator as well as the new classifier that we have introduced. An additional condition is enforced on generator network G to produce points in the convex hull of desired imbalanced class. Further the contention of adversarial game with classifier C, pushes conditional distribution learned by G towards the periphery of the respective class, compensating the problem of class imbalance. Experimental evidence shows that this initialization results in stable training of the network. We achieve state of the art performance on extreme visual classification task on the FashionMNIST, MNIST, SVHN, ExDark, MVTec Anomaly Detection dataset, Chest X-Ray dataset and others.
Abstract（参考訳）: クラス不均衡は、従来のモデルと同様にディープラーニングモデルの実用的な分類問題において難しい問題である。合成オーバーサンプリングのような伝統的に成功した対策は、深層学習モデルによって処理される複雑な構造化データに対して限定的に成功した。本稿では,ジェネレータネットワークg,判別器ネットワークd,分類器ネットワークcを備えた生成型逆ネットワーク(gan)を用いて,視覚データセットのクラス不均衡を取り除くことを提案する。ジェネレータネットワークはオートエンコーダで初期化して安定させる。判別器Dは、G が不均衡クラスのクラス分布に従属することを保証する。従来,min-maxゲームにおいてg生成器が判別器dと競合する手法では,元のネットワークにさらに分類器ネットワークを追加することを提案する。現在、ジェネレータネットワークは、私たちが導入した新しい分類器と同様に、識別器とmin-maxゲームで競おうとしています。生成ネットワークGに追加条件を適用して、所望の不均衡クラスの凸内包に点を生成する。さらに、逆ゲームと分類器Cとの競合は、Gによって学習された条件分布を各クラスの周辺へ押し付け、クラス不均衡の問題を補償する。実験的証拠は、この初期化がネットワークの安定したトレーニングをもたらすことを示している。 FashionMNIST, MNIST, SVHN, ExDark, MVTec 異常検出データセット, Chest X-Ray データセットなどにおいて, 極端視覚的分類タスクにおけるアートパフォーマンスの実態を報告する。

関連論文リスト

Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文参考訳（メタデータ） (2024-04-26T06:00:27Z)
Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文参考訳（メタデータ） (2022-03-17T04:34:28Z)
Adaptive DropBlock Enhanced Generative Adversarial Networks for Hyperspectral Image Classification [36.679303770326264]
本稿では,高スペクトル画像(HSI)分類のためのAdaptive DropBlock-enhanced Generative Adversarial Networks (ADGAN)を提案する。 GANの差別者は、常に矛盾し、偽のラベルをマイノリティ階級のサンプルに関連付けようとするため、分類性能を損なう。 3つのHSIデータセットによる実験結果から,ADGANは最先端のGAN法よりも優れた性能を示した。
論文参考訳（メタデータ） (2022-01-22T01:43:59Z)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
論文参考訳（メタデータ） (2021-06-17T11:41:30Z)
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)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning [24.112455929818484]
異常検出はマシンインテリジェンスに広く応用されているが、未解決の問題である。従来の教師なし異常検出器は最適以下であり、教師付きモデルはバイアス予測を容易に行うことができる。 Ensemble Active Learning Generative Adversarial Network (EAL-GAN) の導入により,新たな教師付き異常検知器を提案する。
論文参考訳（メタデータ） (2021-04-24T13:47:50Z)
eGAN: Unsupervised approach to class imbalance using transfer learning [8.100450025624443]
クラス不均衡は、多くの機械学習分類タスクに固有の問題である。予め訓練された画像分類モデルからエンコーダベースのGenerative Adversarial Network(eGAN)への転送学習を活用することにより、これらの不均衡に対処するための監督されていないアプローチを検討する。 CIFAR-10分類タスクにおいて0.69 F1-scoreの結果が1:2500の不均衡比で得られた。
論文参考訳（メタデータ） (2021-04-09T02:37:55Z)
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)
Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
論文参考訳（メタデータ） (2020-04-01T19:05:28Z)

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。