असमान डेटा के लिए वैरिएशनल ऑटोएन्कोडर आधारित सिंथेटिक डेटा उत्पत्ति

असमान डेटा से पैटर्न का पता लगाना कई अनुप्रयोगों में महत्वपूर्ण भूमिका निभाता है, जैसे स्वास्थ्य सेवा, साइबर सुरक्षा, और वित्तीय इंजीनियरिंग। हालाँकि, असमान डेटा अधिकांश सीखने के एल्गोरिदम के प्रदर्शन को बहुत हानि पहुँचाता है। हाल ही में, डेटा सेट को संतुलित करने के लिए विभिन्न सिंथेटिक सैंपलिंग विधियों का प्रस्ताव किया गया है। हालाँकि इन विधियों ने कई डेटा सेटों में बड़ी सफलता प्राप्त की है, लेकिन ये उच्च-आयामी डेटा, जैसे कि छवि के लिए कम प्रभावी हैं। इस पेपर में, हम असमान सीखने के लिए वैरिएशनल ऑटोएन्कोडर (VAE) आधारित सिंथेटिक डेटा उत्पत्ति विधि का प्रस्ताव करते हैं। VAE नए नमूनों का उत्पादन कर सकता है जो मूल डेटा सेट में मौजूद नमूनों के समान हैं, लेकिन बिल्कुल 동일 नहीं हैं। हम अपने प्रस्तावित विधि का मूल्यांकन और तुलनात्मक अध्ययन पारंपरिक सिंथेटिक सैंपलिंग विधियों के साथ विभिन्न डेटा सेटों पर पांच मूल्यांकन मैट्रिक्स के तहत करते हैं। प्रयोगात्मक परिणाम प्रस्तावित विधि की प्रभावशीलता को प्रदर्शित करते हैं।