如何训练你的draGAN：面向不平衡分类的任务驱动解决方案
机器学习
2022-11-21 v1
摘要
自20多年前合成少数类过采样技术（SMOTE）提出以来，为小规模且不平衡数据集构建有效分类模型这一长期存在的挑战鲜有改善。尽管基于GAN的模型看似有前景，但缺乏为解决上述问题而专门构建的架构，因为大多数先前研究聚焦于应用已有模型。本文提出一种独特的、面向性能的、数据生成策略，利用称为draGAN的新架构来生成少数类和多数类样本。样本生成的目标是优化分类模型的性能，而非与真实数据的相似性。我们在94个具有不同程度不平衡和线性的表格数据集上，将我们的方法与SMOTE家族的最先进方法以及有竞争力的基于GAN的方法进行基准比较。我们通过实验证明了draGAN的优越性，同时也指出了它的一些不足。所有代码可在 https://github.com/LeonGuertler/draGAN 获取。
引用
@article{arxiv.2211.10065,
title = {How to train your draGAN: A task oriented solution to imbalanced classification},
author = {Leon O. Guertler and Andri Ashfahani and Anh Tuan Luu},
journal= {arXiv preprint arXiv:2211.10065},
year = {2022}
}
备注
94 Datasets; under review (Elsevier Neural Networks)