Lösung von Klassenungleichgewichtsproblemen im Deep Learning mit Datenerfassung und kostensensiblem Lernen

Klassenungleichgewicht ist eine häufige Herausforderung im Deep Learning, wo einige Klassen deutlich weniger Beispiele haben als andere. Dieses Ungleichgewicht kann zu voreingenommenen Modellen führen, die in Minderheitenklassen schlecht funktionieren.

Verfahren zur Datenerfassung

Die Datenstichprobe passt die Verteilung der Trainingsdaten an, um die Klassendarstellung auszugleichen. Übliche Methoden umfassen die Überabtastung von Minderheitenklassen und die Unterabtastung von Mehrheitsklassen. Diese Techniken helfen dem Modell, von allen Klassen gleichermaßen zu lernen.

Kostensensibles Lernen

Kostensensibles Lernen weist Minderheitenklassen höhere Kosten für Fehlklassifizierungen zu. Dieser Ansatz ermutigt das Modell, unterrepräsentierten Klassen während der Ausbildung mehr Aufmerksamkeit zu schenken, wodurch die Gesamtleistung bei unausgewogenen Datensätzen verbessert wird.

Umsetzungsstrategien

Zu den effektiven Strategien gehört die Kombination von Datenproben mit kostensensiblen Verlustfunktionen. Darüber hinaus können Techniken wie der Brennpunktverlust das Training auf schwer zu klassifizierende Beispiele konzentrieren, um Probleme mit dem Klassenungleichgewicht zu mildern.