RareGAN：为稀有类生成样本

Zinan Lin; Hao Liang; Giulia Fanti; Vyas Sekar

RareGAN：为稀有类生成样本

机器学习 2022-03-22 v1 密码学与安全网络与互联网体系结构系统与控制系统与控制

作者: Zinan Lin , Hao Liang , Giulia Fanti , Vyas Sekar

摘要

我们研究了在给定标注预算下，针对无标签数据集中某一稀有类学习生成对抗网络（GANs）的问题。该问题源于安全（例如合成 DNS 放大攻击数据包）、系统与网络（例如合成触发高资源占用的负载）以及机器学习（例如从稀有类生成图像）等领域的实际应用。现有方法均不适用，要么需要完全标注的数据集，要么为保全常见类的保真度而牺牲稀有类的保真度。我们提出 RareGAN，其新颖地融合了三个关键思想：（1）扩展条件 GAN 以利用有标签与无标签数据从而获得更好的泛化性；（2）一种主动学习方法，请求最有用的标签；（3）一种加权损失函数，以偏重学习稀有类。我们表明，在不同应用、预算、稀有类占比、GAN 损失及架构下，RareGAN 在稀有类上比已有工作取得了更好的保真度—多样性权衡。

关键词

生成对抗网络稀有类主动学习条件 GAN 加权损失数据合成

引用

@article{arxiv.2203.10674,
  title  = {RareGAN: Generating Samples for Rare Classes},
  author = {Zinan Lin and Hao Liang and Giulia Fanti and Vyas Sekar},
  journal= {arXiv preprint arXiv:2203.10674},
  year   = {2022}
}

备注

Published in AAAI 2022

RareGAN：为稀有类生成样本

摘要

关键词

引用

备注

相关论文