خسارة متوازنة التأثير للتصنيف البصري غير المتوازن

في هذه الورقة، نقترح طريقة تدريب متوازنة لمعالجة المشكلات الناتجة عن تعلم البيانات غير المتوازنة. ولتحقيق ذلك، نستمد خسارة جديدة تُستخدم في مرحلة التدريب المتوازن، والتي تُخفف من تأثير العينات التي تُسبب حدود قرار مفرطة في التكيف (overfitted). وتُحسّن الخسارة المقترحة بشكل فعّال أداء أي نوع من طرق تعلم البيانات غير المتوازنة. ونُظهر صحة طريقة التدريب لدينا من خلال تجارب على عدة مجموعات بيانات معيارية، ونُظهر أن الخسارة المقترحة تتفوّق على أحدث الطرق المعتمدة على الخسارة الحساسة للتكلفة. علاوةً على ذلك، وبما أن خسارتنا ليست مُقيّدة بمهام أو نماذج أو طرق تدريب محددة، يمكن دمجها بسهولة مع طرق حديثة أخرى مثل إعادة العينة (re-sampling)، والتعلم المتعدد (meta-learning)، والتعلم الحساس للتكلفة، لمعالجة مشكلات عدم توازن الفئات.