초록
이 논문에서는 불균형 데이터 학습에서 발생하는 문제를 해결하기 위해 균형 학습 기법을 제안한다. 이를 위해 과적합된 결정 경계를 유도하는 샘플의 영향을 완화하기 위해 균형 학습 단계에서 사용할 새로운 손실 함수를 도출하였다. 제안된 손실 함수는 어떠한 유형의 불균형 학습 방법에도 효율적으로 성능을 향상시킨다. 다양한 벤치마크 데이터셋을 대상으로 한 실험을 통해 본 연구의 효과성을 입증하였으며, 제안된 손실 함수가 최신의 비용 민감한 손실 함수 기법들을 능가함을 확인하였다. 또한 본 손실 함수는 특정 작업, 모델 또는 학습 방법에 제한되지 않기 때문에, 클래스 불균형 문제 해결을 위해 최근의 재샘플링 기법, 메타학습 기법, 비용 민감 학습 기법과 쉽게 결합하여 사용할 수 있다.