用于少数类过采样的退火遗传 GAN
机器学习
2020-08-06 v1 神经与进化计算
机器学习
摘要
克服类不平衡问题的关键在于准确捕捉少数类的分布。生成对抗网络（GAN）因其能够在给定充足训练数据样本时复现数据分布，已展现出解决类不平衡问题的潜力。然而，一个或多个类的样本稀缺仍对 GAN 学习少数类的准确分布构成巨大挑战。在本工作中，我们提出一种退火遗传 GAN（AGGAN）方法，旨在仅使用有限数据样本复现最接近少数类分布的分布。我们的 AGGAN 将 GAN 的训练革新为一个融合模拟退火机制的进化过程。具体而言，生成器使用不同的训练策略生成多个子代并保留最优者。然后，我们在模拟退火中使用Metropolis准则来决定是否更新生成器的最优子代。由于 Metropolis 准则允许以一定概率接受较差解，它使我们的 AGGAN 能够摆脱局部最优。基于多个不平衡图像数据集的理论分析与实验研究，我们证明了所提训练策略能使我们的 AGGAN 从稀缺样本中复现少数类分布，并为类不平衡问题提供有效且鲁棒的解决方案。
引用
@article{arxiv.2008.01967,
title = {Annealing Genetic GAN for Minority Oversampling},
author = {Jingyu Hao and Chengjia Wang and Heye Zhang and Guang Yang},
journal= {arXiv preprint arXiv:2008.01967},
year = {2020}
}