In vielen realen Regressionsaufgaben ist die Datenverteilung stark verzerrt, und Modelle lernen überwiegend aus zahlreichen Mehrheitsproben, während sie es versäumen, Minderheitenlabels genau vorherzusagen. Während unausgewogene Klassifikation umfassend untersucht wurde, bleibt die unausgewogene Regression relativ unerforscht. Tiefe unausgewogene Regression (DIR) repräsentiert Fälle, in denen die Eingabedaten hochdimensional und unstrukturiert sind. Obwohl mehrere datenbasierte Ansätze für tabellarische unausgewogene Regression existieren, fehlen derzeit spezifische datenbasierte Lösungen für hochdimensionale Daten, und es wird hauptsächlich auf algorithmische Modifikationen zurückgegriffen. Um diese Lücke zu schließen, schlagen wir LatentDiff vor, ein neuartiges Framework, das bedingte Diffusionsmodelle mit prioritätsbasierter Generierung verwendet, um qualitativ hochwertige Merkmale im latenten Darstellungsraum zu synthetisieren. LatentDiff ist recheneffizient und auf verschiedene Datenmodi anwendbar, einschließlich Bilder, Texte und anderer hochdimensionaler Eingaben. Experimente an drei DIR-Benchmarks zeigen erhebliche Verbesserungen in den Minderheitenregionen, während die Gesamtgenauigkeit aufrechterhalten wird.
Shayan Alahyari (Sat,) untersuchte diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: