研究人员开发了一种名为混淆几何再平衡（CGRm）的新方法，以解决不平衡数据集上的对抗性训练所带来的挑战。这个即插即用框架使用定向鲁棒误差来识别和纠正偏向主导类别的偏差。CGRm通过耦合加权优化和图引导边距校正来提高弱势类别的鲁棒性，在长尾基准测试中显示出优于现有技术的持续收益。 AI
影响 这项研究提供了一种新颖的方法来提高在不平衡数据集上训练的AI模型的鲁棒性，有望在实际应用中带来更可靠的性能。
排序理由 该集群描述了在arXiv上的一篇学术论文中提出的一种新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.09688v1 Announce Type: cross Abstract: Adversarial training under long tailed distributions suffers from a dual imbalance: the class imbalance skews the training objective toward head classes, and the adversarial inner maximization may further amplify this bias. Existi…
Adversarial training under long tailed distributions suffers from a dual imbalance: the class imbalance skews the training objective toward head classes, and the adversarial inner maximization may further amplify this bias. Existing methods mitigate this issue by correcting class…