深入探究深度不平衡回归
机器学习
2021-05-14 v2 人工智能
计算机视觉与模式识别
摘要
现实世界的数据常表现出不平衡分布，其中某些目标值的观测显著较少。现有的处理不平衡数据的技术侧重于具有类别索引（即不同类）的目标。然而，许多任务涉及连续目标，其中类之间不存在硬边界。我们将深度不平衡回归（DIR）定义为从此类具有连续目标的不平衡数据中学习，处理某些目标值潜在的缺失数据，并泛化到整个目标范围。受类别与连续标签空间内在差异的启发，我们提出了针对标签和特征的分布平滑，其显式地承认邻近目标的影响，并校准标签和学到的特征分布。我们从计算机视觉、自然语言处理和医疗保健领域的常见现实任务中整理并基准化了大规模 DIR 数据集。大量实验验证了我们的策略的优越性能。我们的工作填补了实用不平衡回归问题的基准与技术空白。代码和数据可在 https://github.com/YyzHarry/imbalanced-regression 获取。
引用
@article{arxiv.2102.09554,
title = {Delving into Deep Imbalanced Regression},
author = {Yuzhe Yang and Kaiwen Zha and Ying-Cong Chen and Hao Wang and Dina Katabi},
journal= {arXiv preprint arXiv:2102.09554},
year = {2021}
}
备注
ICML 2021 (Long Oral)