論文の概要: CIGAN: A Python Package for Handling Class Imbalance using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2208.02931v1
• Date: Thu, 4 Aug 2022 23:31:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 12:55:09.647231
• Title: CIGAN: A Python Package for Handling Class Imbalance using Generative Adversarial Networks
• Title（参考訳）: cigan: 生成型adversarialネットワークを用いたクラス不均衡を処理するpythonパッケージ
• Authors: Yuxiao Huang and Yan Ma
• Abstract要約: 本稿では,ジェネレーティブ・アドバイザリアル・ネットワークを用いて,下流の分類を改善するためにマイノリティ・クラスをオーバーサンプリングするソフトウェアを提案する。 私たちの知る限りでは、これはマルチクラスの分類を可能にする最初のツールです。
• 参考スコア（独自算出の注目度）: 6.885074656363412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge in Machine Learning is class imbalance, where the sample size of some classes (majority classes) are much higher than that of the other classes (minority classes). If we were to train a classifier directly on imbalanced data, it is more likely for the classifier to predict a new sample as one of the majority classes. In the extreme case, the classifier could completely ignore the minority classes. This could have serious sociological implications in healthcare, as the minority classes are usually the disease classes (e.g., death or positive clinical test result). In this paper, we introduce a software that uses Generative Adversarial Networks to oversample the minority classes so as to improve downstream classification. To the best of our knowledge, this is the first tool that allows multi-class classification (where the target can have an arbitrary number of classes). The code of the tool is publicly available in our github repository (https://github.com/yuxiaohuang/research/tree/master/gwu/working/cigan/code).
• Abstract（参考訳）: 機械学習における重要な課題は、いくつかのクラス(主要なクラス)のサンプルサイズが他のクラス(マイノリティクラス)よりもはるかに高いクラス不均衡である。 不均衡なデータに基づいて直接分類器を訓練する場合、分類器が多数派クラスの1つとして新しいサンプルを予測する可能性が高い。 極端な場合、分類器はマイノリティクラスを完全に無視することができる。 これは医療において深刻な社会学的意味を持つ可能性があり、マイノリティクラスは通常、疾患クラス(例えば、死亡または陽性の臨床検査結果)である。 本稿では,マイノリティクラスを過剰にサンプリングし,下流分類を改善するために,生成的逆ネットワークを用いたソフトウェアを提案する。 私たちの知る限りでは、これはマルチクラス分類(ターゲットが任意の数のクラスを持つことができる)を可能にする最初のツールです。 ツールのコードはgithubリポジトリで公開されています(https://github.com/yuxiaohuang/research/tree/master/gwu/working/cigan/code)。

関連論文リスト

• Biased Binary Attribute Classifiers Ignore the Majority Classes [7.73729856079303]
  クラス活性化マッピング (Class Activation Mapping, CAM) は、分類器が決定を下す関心領域を視覚化するために用いられる。 本稿では,勾配に基づくCAM手法を拡張して二項分類器と併用し,二項属性分類器のアクティブ領域を可視化する。
  論文  参考訳（メタデータ） (2024-03-21T14:41:58Z)
• Few-Shot Class-Incremental Learning via Training-Free Prototype Calibration [67.69532794049445]
  既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。 我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:24:08Z)
• GMM-IL: Image Classification using Incrementally Learnt, Independent Probabilistic Models for Small Sample Sizes [0.4511923587827301]
  本稿では,視覚的特徴学習と確率モデルを組み合わせた2段階アーキテクチャを提案する。 我々は、ソフトマックスヘッドを用いた等価ネットワークのベンチマークを上回り、サンプルサイズが12以下の場合の精度が向上し、3つの不均衡なクラスプロファイルに対する重み付きF1スコアが向上した。
  論文  参考訳（メタデータ） (2022-12-01T15:19:42Z)
• Review of Methods for Handling Class-Imbalanced in Classification Problems [0.0]
  場合によっては、あるクラスはほとんどの例を含むが、他方はより重要なクラスであり、しかしながら、少数の例で表される。 本稿では、データレベル、アルゴリズムレベル、ハイブリッド、コスト感受性学習、ディープラーニングを含む、クラス不均衡による学習の問題に対処する最も広く使われている手法について検討する。
  論文  参考訳（メタデータ） (2022-11-10T10:07:10Z)
• Latent Preserving Generative Adversarial Network for Imbalance classification [17.992830267031877]
  エンド・ツー・エンドの深層生成分類器を提案する。 本稿では,ジェネレータの遅延空間を予め保持するドメイン制約オートエンコーダを提案する。 3つの異なる多クラス不均衡問題と最先端手法との比較実験を行った。
  論文  参考訳（メタデータ） (2022-09-04T07:49:27Z)
• Do Deep Networks Transfer Invariances Across Classes? [123.84237389985236]
  ニュアンス変換を学習するための生成的アプローチが、クラス間での不変性の伝達にどのように役立つかを示す。 この結果から,不均衡分布や細長い分布に対して分類器が不規則に一般化する理由が示唆された。
  論文  参考訳（メタデータ） (2022-03-18T04:38:18Z)
• The SAMME.C2 algorithm for severely imbalanced multi-class classification [0.0]
  マイノリティクラスは、観測に適した科学学習アルゴリズムが無数の課題を提示しているにもかかわらず、より興味深いクラスと見なされることが多い。 我々は,SAMME.C2と呼ぶ手法に基づいて,高度に不均衡なクラスを扱うための,新しい多クラス分類アルゴリズムを提案する。 得られたアルゴリズムを提供するだけでなく,提案したSAMME.C2アルゴリズムの科学的および統計的定式化も行う。
  論文  参考訳（メタデータ） (2021-12-30T00:20:01Z)
• 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)
• Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
  Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。 我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。 当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-01T10:20:04Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。