English(EN) Rethinking Loss Reweighting for Imbalance Learning as an Inverse Problem: A Neural Collapse Point of View

新的损失重加权方法通过神经坍塌解决不平衡学习问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-11 06:16

研究人员提出了一种新的不平衡分类问题损失重加权方法，该方法借鉴了神经坍塌理论。该方法将损失重加权视为一个逆问题，动态推断类别权重以实现每个类别平均损失相等的理想目标。实证结果表明，这种逆向视角重加权策略能有效减少损失不平衡，并更好地符合神经坍塌几何，其性能优于现有的长尾分类基线。 AI

影响为解决机器学习模型中的类别不平衡问题引入了新颖的理论框架，有望提高在分布不均数据集上的性能。

排序理由该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Zhiqiang Gao · 2026-05-11 06:16

Rethinking Loss Reweighting for Imbalance Learning as an Inverse Problem: A Neural Collapse Point of View

Loss reweighting is a widely used strategy for long-tailed classification, but existing reweighting strategies often rely on heuristics and rarely define a well-specified target. Inspired by Neural Collapse (NC), the ideal simplex Equiangular Tight Frame (ETF) terminal geometry s…