FOSSIL：用于不平衡和小数据情景下的韧性学习的遗憾最小化加权
机器学习
2025-09-17 v1
摘要
不平衡和小数据情景在罕见疾病影像、基因组学和灾害响应等领域屡见不鲜，其中标注样本稀缺，盲目数据增强常会引入人工物。现有解决方案如过采样、焦点损失或元加权虽针对性强，但仍脆弱或复杂。我们引入 FOSSIL（Flexible Optimization via Sample Sensitive Importance Learning），一个统一的加权框架，将类别不平衡校正、难度感知课程、数据增强惩罚和热身动态无缝集成于单一可解释公式中。与先前的启发式方法不同，本文框架提供了基于遗憾的理论保证，并在合成数据和真实数据集上相较于 ERM、课程和元加权基准实现持续的经验性提升，且无需任何架构修改。
引用
@article{arxiv.2509.13218,
title = {FOSSIL: Regret-minimizing weighting for robust learning under imbalance and small data},
author = {J. Cha and J. Lee and J. Cho and J. Shin},
journal= {arXiv preprint arXiv:2509.13218},
year = {2025}
}
备注
24 pages, 6 figures, submitted to ICLR 2025