초록
실제 세계의 대부분의 시나리오에서 레이블이 부여된 학습 데이터셋은 클래스 간 균형이 크게 깨져 있으며, 이로 인해 딥 신경망이 균형 잡힌 테스트 기준으로 일반화하는 데 어려움을 겪는다. 본 논문에서는 더 흔한 클래스로부터 표본(예: 이미지)을 변환하는 방식으로 드문 클래스를 증강함으로써 이 문제를 완화하는 새로운 그러나 간단한 방법을 탐구한다. 이 간단한 접근법은 다수 클래스의 다양성을 전이하고 활용함으로써 소수 클래스에 대한 보다 일반화 가능한 특징을 학습할 수 있도록 한다. 다양한 클래스 불균형 데이터셋을 대상으로 한 실험 결과, 기존의 리샘플링 또는 리웨이팅 기법들과 비교하여 제안하는 방법이 소수 클래스에 대한 일반화 성능을 크게 향상시킴을 확인할 수 있었다. 또한, 본 방법의 성능은 이전 최고 수준의 불균형 분류 기법들을 초과하는 것으로 나타났다.