Ein einflussausgeglichener Verlust für unbalancierte visuelle Klassifikation

In diesem Artikel stellen wir eine ausgewogene Trainingsmethode vor, um Probleme im Umgang mit unbalancierten Datensätzen zu bewältigen. Hierzu leiten wir eine neue Verlustfunktion ab, die im Ausgleichstraining eingesetzt wird und die Beeinflussung durch Stichproben verringert, die zu einer Überanpassung der Entscheidungsgrenze führen. Die vorgeschlagene Verlustfunktion verbessert effizient die Leistung beliebiger Methoden zur Behandlung von Datenunbalancen. In Experimenten an mehreren Benchmark-Datensätzen belegen wir die Gültigkeit unserer Methode und zeigen, dass die vorgeschlagene Verlustfunktion die derzeit besten kostenempfindlichen Verlustmethoden übertrifft. Darüber hinaus ist unsere Verlustfunktion nicht auf eine spezifische Aufgabe, ein bestimmtes Modell oder ein bestimmtes Trainingsverfahren beschränkt und kann daher problemlos mit anderen aktuellen Ansätzen zur Re-Sampling, Meta-Learning und kostenempfindlichen Lernverfahren zur Bewältigung von Klassenunbalancen kombiniert werden.