Class imbalance는 다른 사람보다 약간 적은 예가 있는 딥러닝에 공통적인 도전입니다. 이 불균형은 미성년자 클래스에서 빈번하게 수행되는 모델로 이어질 수 있습니다. 이 문제점에 대한 주소는 데이터 샘플링 및 비용 감지 학습과 같은 기술이 포함되어 있습니다.

데이터 샘플링 기술

Data sampling은 교육 데이터의 배포를 균형 클래스 표현에 조정합니다. 일반적인 방법은 과감한 소수성 클래스와 undersampling 대다수 클래스를 포함합니다. 이 기술은 모델이 모든 클래스에서 똑같이 학습하는 데 도움이됩니다.

비용 감지 학습

비용 감지 학습은 미성년자 수업에 더 높은 misclassification 비용을 할당합니다. 이 접근법은 훈련 중의급 수준을 낮추기 위해 더 많은 관심을 지불하는 모델을 권장합니다. 즉, 데이터셋에 전반적인 성능 향상.

전략의 구현

효과적인 전략은 비용 과민한 손실 기능으로 자료 샘플링을 결합합니다. 게다가, 초점 손실과 같은 기술은 단단한 분류한 예를 들어, 더 mitigating 종류 불균형 문제점에 훈련을 집중할 수 있습니다.

  • 의논문학
  • 대부분의 수업을 요약
  • 손실 기능에 있는 종류 무게 적용
  • focal 손실 사용