クラス不均衡は、他のクラスよりもかなり少ない例を持っているディープラーニングの共通の課題です。この不均衡は、少数のクラスで不公平な実行を偏ったモデルにつながることができます。この問題に対処することは、データサンプリングや費用感度の高い学習などの技術を含みます。

データサンプリング技術

データサンプリングは、クラス表現をバランス良くするために、トレーニングデータの配布を調整します。一般的な方法は、過小数クラスと過小数クラスをオーバーサンプリングするなどです。これらの技術は、モデルがすべてのクラスから等しく学習するのに役立ちます。

コスト感度学習

コスト重視の学習では、マイノリティクラスへの高水準の誤解コストを割り当てます。このアプローチは、トレーニング中に代表的なクラスにより多くの注意を払うように促し、不均衡なデータセットに対する全体的なパフォーマンスを改善します。

導入戦略

効果的な戦略には、コスト感度損失機能とデータのサンプリングを組み合わせたものが含まれます。さらに、焦点損失のような技術は、クラス不均衡の問題を軽減するために、ハードトトクラスの例を訓練に焦点を当てることができます。

  • 未成年クラスをオーバーサンプリング
  • 過半数クラスをアンダーサンプリング
  • 損失関数のクラス重量を適用
  • 焦点損失の使用