التصنيف الطويل الذيل باستخدام خسارة متوازنة تدريجية وتحفيز مُيزات تكيفية

تُعد توزيعات البيانات الواقعية في الأساس ذات توزيع طويل الذيل، مما يُشكل تحديًا كبيرًا أمام النماذج العميقة. في هذا العمل، نُقدّم طريقة جديدة تُسمى "خسارة متوازنة تدريجية ومُولّد ميزات تكيفي" (GLAG) لتقليل هذه التفاوتات. تبدأ GLAG بتعلم نموذج ميزات متوازن ومقاوم باستخدام خسارة متوازنة تدريجية، ثم تُثبّت نموذج الميزات وتعزز الفئات التي تُمثل بشكل غير كافٍ في الذيل من خلال معرفة مُكتسبة من الفئات المُمثلة بشكل جيد في الرأس. وتُدمج العينات المُولّدة مع العينات التدريبية الحقيقية أثناء دورات التدريب. وتعتبر خسارة متوازنة تدريجية خسارة عامة يمكن دمجها مع أساليب تدريب منفصلة مختلفة لتحسين الأداء الأصلي. وقد تم تحقيق نتائج من الطراز الرائد على مجموعات بيانات ذات توزيع طويل الذيل مثل CIFAR100-LT وImageNetLT وiNaturalist، مما يُثبت فعالية GLAG في التعرف البصري على التوزيعات الطويلة الذيل.