DAMEL：双轴多专家学习用于类别不平衡学习
机器学习
2026-05-29 v1 人工智能
摘要
已提出多种算法来解决来自长尾分布真实数据的类别不平衡学习所面临的挑战。虽然这些算法通过再平衡技术减少了预测偏差，但往往会引入增加的预测方差作为权衡。 Several 多专家学习算法旨在解决这种方差问题，但涉及复杂的程序。我们提出了一种新的多专家学习算法，称为双轴多专家学习 (DAMEL)，通过在表示轴和时间轴上使用多个专家来减少预测的偏差和方差。沿表示轴，DAMEL 连接多个专家的表示，并与拼接后的表示同时训练一个辅助平衡分类器。沿时间轴，DAMEL 聚合训练历经的网络权重，并在测试期间使用这些聚合权重。实验结果表明，DAMEL 减少了预测的偏差和方差，凸显了其在类别不平衡学习中的有效性。
引用
@article{arxiv.2605.30135,
title = {DAMEL: Dual-Axis Multi-Expert Learning for Class-Imbalanced Learning},
author = {Hyuck Lee and Taemin Park and Heeyoung Kim},
journal= {arXiv preprint arXiv:2605.30135},
year = {2026}
}