基于胶囊对抗网络的少数类增广处理不平衡数据学习
机器学习
2020-04-09 v3 机器学习
摘要
图像数据集常常是不平衡的，这一事实对深度学习技术提出了严峻挑战。在本文中，我们通过融合两种并行方法——生成对抗网络（GANs）与胶囊网络，提出一种恢复不平衡图像中平衡的方法。在我们的模型中，生成网络与判别网络进行一种新颖的竞争博弈，其中生成器从多元概率分布生成面向特定类的样本。我们模型的判别器被设计成在识别真实与伪造样本的同时，还需为输入分配类别。由于 GAN 方法在训练期间需要完全观测的数据，当训练样本不平衡时，这些方法可能生成相似样本从而导致数据过拟合。该问题通过在对抗训练中联合提供来自两类成分的所有可用信息得以解决。它通过在生成新少数类样本时融入多数类分布结构，改善了从不平衡数据中的学习。此外，生成器以特征匹配损失函数训练以改进训练收敛性。并且，防止离群点生成且不影响多数类空间。评估显示了我们提出方法的有效性；特别地，胶囊-GAN 的融合在识别高度重叠类别时比卷积-GAN 参数少得多且更为有效。
引用
@article{arxiv.2004.02182,
title = {Imbalanced Data Learning by Minority Class Augmentation using Capsule Adversarial Networks},
author = {Pourya Shamsolmoali and Masoumeh Zareapoor and Linlin Shen and Abdul Hamid Sadka and Jie Yang},
journal= {arXiv preprint arXiv:2004.02182},
year = {2020}
}