ICLR2023语义尺度不平衡

文章预览

ICLR2023 《 Delving  into Semantic Scale Imbalance 》 语义尺度不平衡 ， 将不平衡学习推广到非长尾数据集 ， 并展望了不平衡学习未来的研究方向和 8 个重要挑战 ！         更多细节见原文 ： https://arxiv.org/pdf/2212.14613.pdf 西电焦李成教授团队 一 ． 论文概述 长尾数据引发的模型偏好被广泛的关注，然而基于数据量的指标无法同时解释三个现象：（ 1 ）给定充足数据，额外增加样本，分类性能增益很微小。（ 2 ）当数据不足时随着训练样本数量的减少，分类性能急剧下降（ 3 ）在数量完全均衡的数据集上训练的模型仍然对不同类别存在不同的偏好。在 这篇文章中 ， 作者推广了有效样本数 （ CVPR 2019 CB   loss ） 的度量机制 ，定义并量化了类别的语义尺度，它 用 于 度量 类别的多样性。我们通过实验兴奋地发现，语义尺度存在边际效应，这可以完美解释 ………………………………