应用于不平衡多分类问题的损失平衡函数
传统分类算法一般要求数据集类别分布平衡,然而在实际情况中往往面临的是不平衡的类别分布.目前存在的数据层面和模型层面算法试图从不同角度解决该问题,但面临着参数选择以及重复采样产生的额外计算等问题.针对此问题,提出了一种在小批量内样本损失自适应均衡化的方法.该算法采用了一种动态学习损失函数的方式,根据小批量内样本标签信息调整各样本损失权重,从而实现在小批量内各类别样本总损失的平衡性.通过在caltech101和ILSVRC2014数据集上的实验表明,该算法能够有效地减少计算成本并提高分类精度,且一定程度上避免了过采样方法所带来的模型过拟合风险.
不平衡学习、不平衡数据分类、多分类不平衡、损失平衡、不平衡数据分类算法、不平衡数据集、F1调和平均、卷积神经网络、深度学习
14
TP391(计算技术、计算机技术)
2019-10-18(万方平台首次上网日期,不代表论文的发表时间)
共6页
953-958