論文の概要: Decision Boundary-aware Generation for Long-tailed Learning

• arxiv url: http://arxiv.org/abs/2605.01468v1
• Date: Sat, 02 May 2026 14:35:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.789543
• Title: Decision Boundary-aware Generation for Long-tailed Learning
• Title（参考訳）: 長期学習のための決定境界認識生成
• Authors: Jiacheng Yang, Ruichi Zhang, Chikai Shang, Mengke Li, Xinyi Shang, Junlong Gao, Yonggang Zhang, Yang Lu,
• Abstract要約: 長い尾を持つデータバイアス決定境界をヘッドクラスに向け、テールクラスの精度を低下させる。 近境界表現学習を促進するDBG(Decision boundary-aware Generation)フレームワークを提案する。 DBGは、クラス間のオーバーラップを少なくして、テールクラスと全体的な精度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 15.742355165425968
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Long-tailed data bias decision boundaries toward head classes and degrade tail class accuracy. Diffusion-based generative augmentation address this problem by generating additional data, while head-to-tail transfer further mitigate the generator bias inherit from long-tailed dataset. However, we show that while head-to-tail transfer helps balance the decision space of the classifier, it also induces latent non-local feature mixing that entangles inter-class features, causing decision boundary overlap and tail class distribution shift. To address this, we first identify the problem of boundary ambiguity and then propose Decision Boundary-aware Generation (DBG) framework, which promotes near-boundary representation learning by generating informative near-boundary samples. Overall, DBG rebalances the long-tailed dataset while yielding more separable decision space for long-tailed learning. Across standard long-tailed benchmarks, DBG consistently improves tail class and overall accuracy with less inter-class overlap. The code of DBG is available at https://github.com/keepdigitalabc-svg/DBG.
• Abstract（参考訳）: 長い尾を持つデータバイアス決定境界をヘッドクラスに向け、テールクラスの精度を低下させる。 拡散に基づく生成増強は、追加データを生成することによってこの問題に対処する一方、ヘッド・ツー・テール転送は、長い尾のデータセットから継承したジェネレータのバイアスをさらに軽減する。 しかし,本手法では,階層間特徴が絡み合う非局所的特徴混合を誘導し,決定境界の重なりとテールクラス分布のシフトを引き起こす。 そこで我々は,まず境界曖昧性の問題を識別し,情報的近境界サンプルを生成することによって,近境界表現学習を促進する決定境界認識(DBG)フレームワークを提案する。 全体として、DBGは長い尾のデータセットを再バランスさせ、長い尾の学習のためにより分離可能な決定空間を得る。 標準のロングテールベンチマークでは、DBGは一貫してテールクラスと全体的な精度を改善し、クラス間のオーバーラップを少なくする。 DBGのコードはhttps://github.com/keepdigitalabc-svg/DBGで公開されている。

関連論文リスト

• Long-Tailed Visual Recognition via Permutation-Invariant Head-to-Tail Feature Fusion [37.62659619941791]
  長い尾を持つデータの不均衡分布は、ディープラーニングモデルにとって重要な課題である。 低認識精度に寄与する2つの重要な要因は、変形表現空間とバイアス分類器である。 本稿では,これらの問題に対処するため,置換不変な特徴融合(PI-H2T)を提案する。
  論文  参考訳（メタデータ） (2025-05-31T16:31:43Z)
• FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning [5.23984567704876]
  フェデレーション学習は、分散機械学習におけるプライバシの保護という課題にパラダイムを提供する。 伝統的なアプローチは、グローバルな長期データにおけるクラスワイドバイアスの現象に対処できない。 新しい手法であるFedLFは、適応ロジット調整、連続クラス中心最適化、特徴デコリレーションという、局所的なトレーニングフェーズに3つの修正を導入している。
  論文  参考訳（メタデータ） (2024-09-18T16:25:29Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• A dual-branch model with inter- and intra-branch contrastive loss for long-tailed recognition [7.225494453600985]
  長い尾のデータセットで訓練されたモデルは、テールクラスへの適応性が低く、決定境界は曖昧である。 我々は,不均衡学習枝と対照学習枝(CoLB)を含む,単純で効果的なDual-Branch Long-Tailed Recognition (DB-LTR)を提案する。 CoLBは、テールクラスに適応する際のモデルの能力を改善し、不均衡な学習ブランチを支援して、よく表現された特徴空間と識別的決定境界を学習する。
  論文  参考訳（メタデータ） (2023-09-28T03:31:11Z)
• Feature Fusion from Head to Tail for Long-Tailed Visual Recognition [39.86973663532936]
  テールクラスにおけるセマンティック情報の不十分に起因するバイアスのある決定境界は、認識精度の低下に寄与する重要な要因の1つである。 我々は,H2T(head-to-tail fusion)と呼ばれるヘッドクラスから多様な意味情報を移植することで,テールクラスを増強することを提案する。 理論的解析と実用実験の両方で、H2Tが決定境界に対してより最適化された解に寄与できることが示されている。
  論文  参考訳（メタデータ） (2023-06-12T08:50:46Z)
• Dual-branch Hybrid Learning Network for Unbiased Scene Graph Generation [87.13847750383778]
  シーングラフ生成のための頭部述語と尾部述語の両方を扱うDual-branch Hybrid Learning Network (DHL)を提案する。 提案手法は,VGおよびGQAデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-16T11:53:50Z)
• Understanding Deep Learning via Decision Boundary [81.49114762506287]
  決定境界(DB)の変動が低いニューラルネットワークはより一般化可能であることを示す。 アルゴリズムDBの変数と$(epsilon, eta)$-data DBの変数という2つの新しい概念が、決定境界の変数を測定するために提案されている。
  論文  参考訳（メタデータ） (2022-06-03T11:34:12Z)
• Optimal Decision Diagrams for Classification [68.72078059880018]
  数学的プログラミングの観点から最適決定図の学習について検討する。 本稿では,新しい混合整数線形プログラミングモデルを提案する。 このモデルは、公正性、同義性、安定性の概念に対してどのように容易に拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-05-28T18:31:23Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)

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。