新采样方法提升长尾学习准确性

研究人员开发了一种名为锐度引导均衡采样（SGS）的新方法，以提高在长尾数据集上训练的模型的性能。SGS在训练过程中动态调整数据点的采样概率，优先考虑代表性不足的类别，同时在锐度感知最小化（SAM）使用时降低那些导致损失景观显著变化的类别权重。该方法旨在实现更平衡、更平坦的损失景观，从而提高泛化能力。SGS-SAM在CIFAR-100 LT和ImageNet-LT基准测试中表现出显著的改进，尾部准确率最高提升10.85个百分点，整体准确率提升3.56个百分点，而训练时间仅略有增加。 AI

影响 增强了模型在类别分布不均数据集上的泛化能力，这对于实际应用至关重要。

排序理由 学术论文，详细介绍了改进不平衡数据集上机器学习的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Focal-SAM
• ImageNet-LT
• ImbSAM
• PAC-bayesian learning
• Sam

• 论文
• 模型发布

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