通过几何约束提高不平衡回归表示
机器学习
2025-03-04 v1
摘要
在表示学习中，均匀性指特征在潜空间（即单位超球面）中的均匀分布。先前的研究表明，提高均匀性有助于学习欠表示的类别。然而，大多数先前的工作侧重于分类；不平衡回归的表示空间尚未探索。基于分类的方法不适用于回归任务，因为它们将特征聚类到离散组中，而不考虑回归所必需的连续有序性。在几何层面，我们独特地通过两个关键损失函数来确保不平衡回归中潜空间的均匀性：包覆损失和均匀性损失。包覆损失鼓励诱导的迹在超球面上均匀分布，而均匀性损失确保平滑性，使表示在一致间隔处均匀分布。我们的方法通过基于替代函数的表示学习(Surrogate-driven Representation Learning, SRL)框架将这些几何原则集成到数据表示中。针对真实世界的回归和算子学习任务进行实验，突显了不平衡回归中均匀性的重要性，并验证了几何基于损失函数的有效性。
引用
@article{arxiv.2503.00876,
title = {Improve Representation for Imbalanced Regression through Geometric Constraints},
author = {Zijian Dong and Yilei Wu and Chongyao Chen and Yingtian Zou and Yichi Zhang and Juan Helen Zhou},
journal= {arXiv preprint arXiv:2503.00876},
year = {2025}
}
备注
CVPR 2025. The first three authors contributed equally