利用基于能量的对比表示迁移增强不平衡数据学习
计算机视觉与模式识别
2021-11-22 v4
摘要
处理严重的类别不平衡对实际应用构成重大挑战，尤其在 minority 类的准确分类与泛化为主要关注点时。在计算机视觉中，从长尾数据集学习是反复出现的主题，尤其对于自然图像数据集。现有方案多诉诸采样或加权调整以缓解病态不平衡，或施加归纳偏置以优先非伪关联，而我们采取新颖视角，基于因果性的不变性原理来提升样本效率与模型泛化。我们的提议设定了一个元分布情景，其中数据生成机制在标签条件特征分布间是不变的。此类因果假设使得从主导类到其代表性不足对应类的高效知识迁移成为可能，即便各自特征分布呈现明显差异。这使我们能利用因果数据增广过程来扩大 minority 类的表示。我们的进展与现有极端分类技术正交，故可无缝集成。我们提案的效用通过一组广泛的合成与真实世界计算机视觉任务对照 SOTA 方案得到验证。
引用
@article{arxiv.2011.12454,
title = {Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer},
author = {Zidi Xiu and Junya Chen and Ricardo Henao and Benjamin Goldstein and Lawrence Carin and Chenyang Tao},
journal= {arXiv preprint arXiv:2011.12454},
year = {2021}
}