深度神经网络分类器中稀有子类的检测与缓解
机器学习
2021-07-08 v2 计算机视觉与模式识别
机器学习
摘要
训练数据集中代表性不足的高维输入空间区域会降低机器学习分类器的性能，并可能导致决策系统中分类器的极端情形与不必要的偏差。当这些区域属于原本代表性良好的类别时，其存在与负面影响极难识别。我们提出了一种用于检测并缓解深度神经网络分类器中此类稀有子类的方法。该新方法以易于计算的共性度量（commonality metric）为支撑来实现稀有子类的检测，并包含在模型训练与模型使用阶段降低这些子类影响的方法。我们使用两个知名数据集——MNIST 手写数字与 Kaggle 的猫/狗数据集——演示了该方法，识别出稀有子类并训练出补偿子类稀有性的模型。此外，我们展示了运行时方法如何提升用户在运行期识别可能被误分类样本的能力。
引用
@article{arxiv.1911.12780,
title = {Detection and Mitigation of Rare Subclasses in Deep Neural Network Classifiers},
author = {Colin Paterson and Radu Calinescu and Chiara Picardi},
journal= {arXiv preprint arXiv:1911.12780},
year = {2021}
}
备注
8 pages, 7 Figures, 2 Tables