論文の概要: eGAN: Unsupervised approach to class imbalance using transfer learning

• arxiv url: http://arxiv.org/abs/2104.04162v1
• Date: Fri, 9 Apr 2021 02:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 14:22:00.192907
• Title: eGAN: Unsupervised approach to class imbalance using transfer learning
• Title（参考訳）: eGAN:トランスファーラーニングを用いたクラス不均衡に対する教師なしアプローチ
• Authors: Ademola Okerinde and Lior Shamir and William Hsu and Tom Theis and Nasik Nafi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.100450025624443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class imbalance is an inherent problem in many machine learning classification tasks. This often leads to trained models that are unusable for any practical purpose. In this study we explore an unsupervised approach to address these imbalances by leveraging transfer learning from pre-trained image classification models to encoder-based Generative Adversarial Network (eGAN). To the best of our knowledge, this is the first work to tackle this problem using GAN without needing to augment with synthesized fake images. In the proposed approach we use the discriminator network to output a negative or positive score. We classify as minority, test samples with negative scores and as majority those with positive scores. Our approach eliminates epistemic uncertainty in model predictions, as the P(minority) + P(majority) need not sum up to 1. The impact of transfer learning and combinations of different pre-trained image classification models at the generator and discriminator is also explored. Best result of 0.69 F1-score was obtained on CIFAR-10 classification task with imbalance ratio of 1:2500. Our approach also provides a mechanism of thresholding the specificity or sensitivity of our machine learning system. Keywords: Class imbalance, Transfer Learning, GAN, nash equilibrium
• Abstract（参考訳）: クラス不均衡は多くの機械学習分類タスクにおいて固有の問題である。 これはしばしば、実用的な目的のために使用できない訓練されたモデルにつながる。 本研究では,事前学習された画像分類モデルからエンコーダ型生成逆ネットワーク(egan)への転送学習を活用し,これらの不均衡に対処するための教師なし手法を検討する。 我々の知る限りでは、合成された偽画像の強化を必要とせずに、GANを使ってこの問題に対処する最初の試みである。 提案手法では,識別器ネットワークを用いて負あるいは正のスコアを出力する。 我々は少数派と負のスコアを持つサンプルと、正のスコアを持つサンプルを分類する。 p(minority) + p(majority) は 1 にまとめる必要はないため、モデル予測における認識論的不確実性を排除する。 また, トランスファー学習と, 各種事前学習画像分類モデルの組み合わせが, ジェネレータと判別器に与える影響についても検討した。 069 f1-scoreの最良の結果は、不均衡比1:2500のcifar-10分類タスクで得られた。 このアプローチは、機械学習システムの特異性や感度をしきい値化するメカニズムも提供します。 キーワード:クラス不均衡、転送学習、gan、nash均衡

関連論文リスト

• Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
  我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。 以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。 データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-02-28T07:54:50Z)
• GAN based Data Augmentation to Resolve Class Imbalance [0.0]
  多くの関連するタスクにおいて、データセットは非常に少数の不正事件が観察される。 この不均衡の存在は、すべてのラベルを大多数のクラスとして予測することで、学習モデルの振舞いに影響を与える可能性がある。 我々はGAN(Generative Adversarial Network)を訓練し、少数民族の説得力のある(かつ信頼性の高い)合成例を多数生成した。
  論文  参考訳（メタデータ） (2022-06-12T21:21:55Z)
• Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for Imbalanced Learning [97.81549071978789]
  勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。 大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-04-19T08:23:23Z)
• Conditional Variational Autoencoder with Balanced Pre-training for Generative Adversarial Networks [11.46883762268061]
  クラス不均衡は、各クラスの画像数が大きく異なる画像分類を含む多くの実世界のアプリケーションで発生する。 不均衡なデータでは、GAN(Generative Adversarial Network)は多数派に傾いている。 本稿では, リアルな合成画像を生成するための拡張ツールとして, CAPGAN (Geneversarative Adrial Networks) のためのバランス付き事前学習機能を備えた新しい変分オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2022-01-13T06:52:58Z)
• 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)
• 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)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)
• SeismoFlow -- Data augmentation for the class imbalance problem [0.0]
  SeismoFlowは、合成サンプルを作成するフローベースの生成モデルである。 Glowモデルにインスパイアされたこのモデルは、学習された潜在空間を利用して、1つの稀なクラスのための合成サンプルを生成する。 希少クラスF1スコアの13.9%の改善を実現した。
  論文  参考訳（メタデータ） (2020-07-23T19:48:23Z)
• 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。