通过减少标签分布的可变性来优化稀有标签的分类
机器学习
2025-11-13 v1 人工智能
摘要
本文提出了一种新型解决方案LEVER，用于解决极端分类（XC）任务中稀有类别表现不佳的问题。稀有类别通常由稀疏样本构成， suffer于高标签不一致性，这会损害分类性能。LEVER通过采用稳健的Siamese结构，利用知识迁移来减少标签不一致性并提升One-vs-All分类器的性能。跨多个XC数据集的全面测试显示，LEVER在处理稀有类别方面取得了显著的改进，为该领域树立了新的基准。此外，本文还引入了两个新创建的多意图数据集，为未来的XC研究提供了必要的资源。
引用
@article{arxiv.2511.07459,
title = {Optimizing Classification of Infrequent Labels by Reducing Variability in Label Distribution},
author = {Ashutosh Agarwal},
journal= {arXiv preprint arXiv:2511.07459},
year = {2025}
}
备注
Accepted and presented at 6th International Conference on Emerging research in electronics, computer science and technology ( ICERECT)