Gaußsche Affinität für Max-Margin Klassifikationsungleichgewicht Lernen

Objektklassen aus der realen Welt erscheinen in unausgeglichenen Verhältnissen. Dies stellt eine erhebliche Herausforderung für Klassifizierer dar, die zu häufigen Klassen verzerrt werden. Wir hypothesieren, dass die Verbesserung der Generalisierungsfähigkeit eines Klassifizierers das Lernen auf unausgeglichenen Datensätzen verbessern sollte. Hier präsentieren wir die erste hybride Verlustfunktion, die klassifiziert und clustert in einer einzigen Formel. Unser Ansatz basiert auf einem 'Affinitätsmaß' im euklidischen Raum, das zu folgenden Vorteilen führt: (1) direkte Durchsetzung von maximalen Randbeschränkungen auf Klassifikationsgrenzen, (2) eine handhabbare Möglichkeit, gleichmäßig verteilte und equidistante Clusterzentren zu gewährleisten, (3) Flexibilität, mehrere Klassenprototypen zu lernen, um Vielfalt und Unterscheidungsfähigkeit im Merkmalsraum zu unterstützen. Unsere umfangreichen Experimente zeigen die signifikanten Leistungsverbesserungen bei visuellen Klassifizierungs- und Verifikationsaufgaben auf mehreren unausgeglichenen Datensätzen. Der vorgeschlagene Verlust kann leicht in jede tiefe Architektur als differenzierbarer Block integriert werden und zeigt Robustheit gegenüber unterschiedlichen Niveaus von Datenungleichgewicht und beschädigten Labels.