تخفيض الارتباك العميق موحد الجذر لتقدير انحدار غير متوازن

تعلم توزيع غير متوازن هو تحدٍ شائع ومهم في النمذجة التنبؤية، وغالبًا ما يقلل من أداء الخوارزميات القياسية. على الرغم من أن هناك طرقًا متنوعة تعالج هذه المسألة، إلا أن معظمها مصمم لمشكلات التصنيف، مع تركيز محدود على الانحدار. يقدم هذا البحث طريقة جديدة لتحسين التعلم على البيانات الجدولية ضمن إطار الانحدار غير المتوازن (IR)، وهو مشكلة حاسمة. نقترح استخدام المشفرات التلقائية المتغيرة (VAEs) لنمذجة وتعريف تمثيل خام للموزعات البيانية. ومع ذلك، يمكن أن تكون VAEs غير فعالة مع البيانات غير المتوازنة مثل الأ approaches التقليدية الأخرى. لمعالجة هذه القضية، نطور طريقة مبتكرة لتوليد البيانات تجمع بين VAE مفكك وجذر موحد تطبق في الفضاء الخام. نقوم بتقييم كفاءة هذه الطريقة من خلال المقارنات العددية مع المنافسين على مجموعات بيانات مرجعية للIR.