推論による想像：長尾分類のための推論ベースの暗黙的意味的データ拡張

現実世界のデータはしばしば長尾分布に従うため、従来の分類アルゴリズムの性能が著しく低下する。その主な原因は、尾部カテゴリに属するサンプルがクラス内多様性を十分に表現できていない点にある。人間は、新しいポーズ、シーン、視点角度におけるサンプルを、事前知識を用いて想像することができる。たとえそのカテゴリを初めて見たとしてもである。この知見に着想を得て、我々は他のカテゴリから変換方向を借りる、新たな推論ベースの暗黙的意味的データ拡張手法を提案する。各カテゴリの共分散行列は特徴変換方向を表すため、類似カテゴリから新たな方向をサンプリングすることで、明確に異なるインスタンスを生成可能である。具体的には、まず長尾分布に従うデータを用いてバックボーンおよび分類器を訓練する。その後、各カテゴリの共分散行列を推定し、任意の二カテゴリ間の関係を記録する知識グラフを構築する。最後に、知識グラフ内のすべての類似カテゴリから情報を伝搬させることで、尾部サンプルを適応的に強化する。CIFAR-100-LT、ImageNet-LT、iNaturalist 2018における実験結果から、本手法が最先端手法と比較して有効であることが示された。