DeepSMOTE : Fusion de l'apprentissage profond et de SMOTE pour les données déséquilibrées

Malgré plus de deux décennies de progrès, les données déséquilibrées restent un défi important pour les modèles d'apprentissage automatique contemporains. Les avancées modernes en apprentissage profond ont encore amplifié l'importance du problème des données déséquilibrées, en particulier lors de l'apprentissage à partir d'images. Ainsi, il est nécessaire de disposer d'une méthode de suréchantillonnage spécifiquement adaptée aux modèles d'apprentissage profond, capable de travailler sur des images brutes tout en préservant leurs propriétés, et capable de générer des images artificielles de haute qualité qui peuvent améliorer les classes minoritaires et équilibrer l'ensemble de formation. Nous proposons la technique de suréchantillonnage minoritaire synthétique profonde (SMOTE), un nouvel algorithme de suréchantillonnage pour les modèles d'apprentissage profond qui s'appuie sur les propriétés de l'algorithme SMOTE réussi. Il est simple, mais efficace dans sa conception. Il se compose de trois composants majeurs : 1) un cadre encodeur/décodeur ; 2) un suréchantillonnage basé sur SMOTE ; et 3) une fonction de perte dédiée qui est améliorée avec un terme de pénalité. Un avantage important de DeepSMOTE par rapport au suréchantillonnage basé sur des réseaux antagonistes génératifs (GAN) est que DeepSMOTE ne nécessite pas de discriminateur et génère des images artificielles de haute qualité qui sont à la fois riches en informations et adaptées à l'inspection visuelle. Le code DeepSMOTE est disponible publiquement sur https://github.com/dd1github/DeepSMOTE.