PulseAugur
中
实时 10:31:33

CLEAR框架增强长尾分类的可靠性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的集成框架CLEAR，旨在提高长尾分类任务的可靠性。该方法使用结构化采样生成多样化的专家，然后为每个专家估计一个类别的信任分数。在推理过程中，CLEAR通过强调不同类别使用不同的专家来组合专家预测，从而在CIFAR-100-LT、ImageNet-LT和Places-LT等基准数据集上实现了具有竞争力的整体准确性和增强的少样本性能。 AI

影响 提高了具有不平衡数据集的分类任务的可靠性，有可能增强具有倾斜数据分布的现实世界应用中的性能。

排序理由 该集群包含一篇详细介绍特定机器学习任务新方法的学术论文。

在 arXiv cs.AI 阅读 →

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

CLEAR框架增强长尾分类的可靠性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Gawon Lim ·

    CLEAR：长尾分类的类专家聚合与结构化采样

    arXiv:2608.11287v1 Announce Type: cross Abstract: Long-tailed classification poses a reliability challenge because models trained on imbalanced data are unevenly reliable across frequent and underrepresented classes. While existing methods address imbalance through re-balancing, …

相关实体

相关话题