PulseAugur
中
实时 07:38:38
English(EN) Beyond Logit Adjustment: A Residual Decomposition Framework for Long-Tailed Reranking

新的 REPAIR 框架应对长尾分类挑战

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出 REPAIR，一个新颖的长尾重排框架，旨在提高模型在具有不平衡数据集的分类任务上的性能。与之前对模型 Logits 应用固定偏移量的方法不同，REPAIR 将必要的校正分解为类内和类间组件。这种分解允许更自适应的调整，尤其是在类别的相对排序因输入而异的情况下。在包括文本分类和视觉识别在内的九个基准测试中的实验表明，REPAIR 在类间校正有益的情况下非常有效。 AI

影响 引入了一种新方法来提高模型在不平衡数据集上的性能，有可能提高具有倾斜数据分布的实际应用中的准确性。

排序理由 该集群包含一篇详细介绍机器学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 REPAIR 框架应对长尾分类挑战

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhanliang Wang, Hongzhuo Chen, Quan Minh Nguyen, Mian Umair Ahsan, Kai Wang ·

    超越Logit调整：长尾重排的残差分解框架

    arXiv:2604.01506v2 Announce Type: replace Abstract: Long-tailed classification, where a small number of frequent classes dominate many rare ones, remains challenging because models systematically favor frequent classes at inference time. Existing post-hoc methods such as logit ad…

相关实体

相关话题