面向偏差感知的多类学习的最优类分布
计算机视觉与模式识别
2025-09-16 v1
摘要
我们提出了 BiCDO（Bias-Controlled Class Distribution Optimizer），一个迭代的、数据中心的框架，用于识别多类图像分类的最优帕累托优化类分布。BiCDO 使能够为特定类别 prioritized 性能，这在安全关键场景中非常有用（例如优先处理“人”而非“狗”）。与均匀分布不同，BiCDO 确定每个类别的最优图像数量，以增强可靠性并最小化目标函数中的偏差和方差。BiCDO 可通过几乎不修改代码即可集成到现有训练管道中，并支持任何标记的多类数据集。我们在 CIFAR-10 和 iNaturalist21 数据集上使用 EfficientNet、ResNet 和 ConvNeXt 进行验证，结果表明通过优化数据分布实现了改进、平衡的模型性能。
引用
@article{arxiv.2509.11588,
title = {Optimizing Class Distributions for Bias-Aware Multi-Class Learning},
author = {Mirco Felske and Stefan Stiene},
journal= {arXiv preprint arXiv:2509.11588},
year = {2025}
}
备注
This paper has been accepted for the upcoming 59th Hawaii International Conference on System Sciences (HICSS-59)