ABC：面向类不平衡半监督学习的辅助平衡分类器
机器学习
2021-10-22 v1 计算机视觉与模式识别
摘要
现有半监督学习（SSL）算法通常假设数据集类平衡，尽管许多真实世界数据集的类别分布是不平衡的。一般而言，在类不平衡数据集上训练的分类器会偏向多数类。该问题对SSL算法更为严重，因为它们利用未标记数据的偏置预测进行训练。然而，为标记数据设计的传统类不平衡学习技术无法轻易与SSL算法结合。我们提出了一种可扩展的类不平衡SSL算法，能有效利用未标记数据，同时通过引入附加在现有SSL算法表示层上的单层辅助平衡分类器（ABC）来缓解类不平衡。ABC以最小批次的类平衡损失进行训练，同时使用由骨干SSL算法从最小批次中所有数据点学到的高质量表示，以避免过拟合与信息损失。此外，我们使用一致性正则化（一种近期用于以改进方式利用未标记数据的SSL技术）来训练ABC，使其在各类间平衡，具体通过对每个类以相同概率选择未标记数据实现。所提算法在使用四个基准数据集的多种类不平衡SSL实验中达到了最先进性能。
引用
@article{arxiv.2110.10368,
title = {ABC: Auxiliary Balanced Classifier for Class-imbalanced Semi-supervised Learning},
author = {Hyuck Lee and Seungjae Shin and Heeyoung Kim},
journal= {arXiv preprint arXiv:2110.10368},
year = {2021}
}