Long Tail Learning
المنهجية تشير إلى الطرق والخطوات المنهجية التي يتم اعتمادها في البحث أو حل المشكلات. هدفها هو ضمان دقة وموثوقية البحث من خلال عملية علمية ومعتمدة، مما يعزز كفاءة وجودة حل المشكلات. في مختلف المجالات، تكون قيمة تطبيق المنهجية بارزة بشكل خاص؛ فهي لا تساعد الباحثين فقط على توضيح اتجاهاتهم البحثية، بل توفر أيضًا دليلًا تشغيليًا معياريًا لتنفيذ المشاريع، مما يشجع التعاون بين التخصصات ومشاركة النتائج.
CelebA-5
OPeN (WideResNet-28-10)
CIFAR-10-LT (ρ=10)
TADE
CIFAR-10-LT (ρ=100)
GLMC+MaxNorm (ResNet-34, channel x4)
CIFAR-10-LT (ρ=200)
CIFAR-10-LT (ρ=50)
GLMC + SAM
CIFAR-100-LT (ρ=10)
TADE
CIFAR-100-LT (ρ=100)
LIFT (ViT-B/16, ImageNet-21K pre-training)
CIFAR-100-LT (ρ=200)
PaCo + SAM
CIFAR-100-LT (ρ=50)
LTR-weight-balancing
COCO-MLT
LMPT(ViT-B/16)
EGTEA
CDB-loss (3D- ResNeXt101)
ImageNet-GLT
RIDE + IFL
ImageNet-LT
VL-LTR (ViT-B-16)
iNaturalist 2018
LIFT (ViT-L/14@336px)
Lot-insts
Character-BERT+RS
MIMIC-CXR-LT
Decoupling (cRT)
mini-ImageNet-LT
TailCalibX
NIH-CXR-LT
Places-LT
VOC-MLT