要約
深層ニューラルネットワークは、トレーニングデータが長尾分布を示す場合、多数のクラスが学習を支配するため、性能の低下を頻繁に引き起こす。近年の研究では、データ空間からの優れた表現を獲得することによりこの問題に取り組んできたが、特徴量のノルムが予測結果に与える影響についてはほとんど注目されていない。本論文では、特徴空間の視点から長尾問題に取り組み、特徴量バランス損失（feature-balanced loss）を提案する。具体的には、末尾クラス（tail classes）に対して相対的に強い刺激を与えることで、その特徴量ノルムを大きくすることを促進する。さらに、カリキュラム学習のアプローチを用いて刺激の強度を段階的に増加させることで、末尾クラスの汎化性能を向上させつつ、ヘッドクラスの性能を維持する。複数の代表的な長尾認識ベンチマークにおける広範な実験により、本手法が最先端手法と比較して優れた性能向上を達成することが示された。