ReMix：面向深度学习类别不平衡的校准重采样方法
机器学习
2020-12-07 v1
摘要
类别不平衡在应用深度学习中是一个极为重要的问题，在健康与医疗、交通、金融等关键领域，训练模型被用于决策支持与自动化决策。从不平衡训练数据中学习深度模型的挑战仍然很高，当前最优解通常依赖于数据且主要关注图像数据。然而，现实世界的不平衡分类问题更加多样，因此需要一种可应用于表格、图像和文本数据的通用方案。本文中，我们提出 ReMix，一种利用批次重采样、实例混合与软标签来训练鲁棒深度模型以应对不平衡学习的技术。我们的结果表明，使用 ReMix 训练的稠密网络与 CNN 通常在 g-mean 上优于其他方案，且根据平衡 Brier 分数更具校准性。
引用
@article{arxiv.2012.02312,
title = {ReMix: Calibrated Resampling for Class Imbalance in Deep learning},
author = {Colin Bellinger and Roberto Corizzo and Nathalie Japkowicz},
journal= {arXiv preprint arXiv:2012.02312},
year = {2020}
}