面向不平衡数据分类的判别特征生成
计算机视觉与模式识别
2020-10-27 v1 机器学习
摘要
数据不平衡问题常成为神经网络分类性能的瓶颈。本文针对少数类数据集提出一种新颖的有监督判别特征生成(DFG)方法。DFG 基于由生成器、判别器、特征提取器和分类器四个独立网络组成的改进生成对抗网络结构。为通过采用注意力机制增强少数类数据的选定判别特征,训练面向类不平衡目标任务的生成器,并利用来自大型源数据的预训练特征对特征提取器和分类器进行正则化。实验结果表明,DFG 生成器增强了保标签且多样的特征的增广,目标任务上的分类结果得到显著改善。该特征生成模型可通过判别特征生成与有监督注意力方法为数据增广方法的发展做出重要贡献。
引用
@article{arxiv.2010.12888,
title = {Discriminative feature generation for classification of imbalanced data},
author = {Sungho Suh and Paul Lukowicz and Yong Oh Lee},
journal= {arXiv preprint arXiv:2010.12888},
year = {2020}
}
备注
Submitted to Pattern Recognition, Elsevier