新的类平衡Softmax方法改进了深度学习在不平衡数据上的表现

研究人员推出了一种名为类平衡Softmax (CBS) 的新方法，旨在提高深度学习模型在不平衡数据集上的性能。与现有的平衡Softmax等方法不同，CBS旨在解决少数类准确率不成比例降低等局限性。CBS基于贝叶斯理论和幂律假设，是一种计算效率高的logit调整方法，可以轻松集成到现有系统中。该方法还通过引入一种新颖的度量标准并展示了缓解效果，来解决模型在有限数据类别上遇到的“偏好问题”。在大规模基准测试上的实验表明，CBS具有可扩展性，并且优于现有技术。 AI

影响 提高了模型在不平衡数据集上的性能，有可能拓宽深度学习在数据分布倾斜的现实场景中的应用范围。

排序理由 介绍机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Balanced Softmax
• Bayes Theory
• CatalyzeX
• Class-Balanced Softmax
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• ScienceCast

• 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 →