長尾視覚認識におけるクラスバランス手法の再考：ドメイン適応の視点から

現実世界における物体の出現頻度はしばしばべき乗則に従うため、機械学習モデルが学習する長尾型クラス分布を持つデータセットと、モデルがすべてのクラスにおいて良好な性能を発揮すると期待するという間には、一般的に不一致が生じる。本研究では、ドメイン適応（domain adaptation）の観点からこの不一致を分析する。まず、既存の長尾分類向けクラスバランス手法が、ドメイン適応において広く研究されている「ターゲットシフト（target shift）」と関連していることを明らかにする。この関連性から、これらの手法は訓練データとテストデータが同じクラス条件付き分布（class-conditioned distribution）を持つことを暗黙の前提としていることが明らかになったが、これは一般には成り立たず、特に末尾クラス（tail classes）では顕著に不適切である。ヘッドクラス（head classes）は推論時における期待されるデータをよく代表する十分で多様な訓練例を含むことがある一方で、尾部クラスは代表的な訓練データが不足しがちである。このような問題に対処するため、メタ学習アプローチを用いてクラス条件付き分布の差異を明示的に推定することで、従来のクラスバランス学習を拡張する手法を提案する。本手法の有効性を、6つのベンチマークデータセットおよび3種類の損失関数を用いて検証した。