مدلهای یادگیری عمیق در مواجهه با دادههای نامتوازن (Long-Tailed) معمولاً دچار افت عملکرد میشوند. حالا محققان روش جدیدی به نام «Class-Balanced Softmax» ارائه دادهاند که با بهرهگیری از تئوری بیزی، مشکل «ترجیح» (Preference Issue) در مدلها را حل میکند.
این روش که بسیار سبک و بهراحتی قابلادغام در پروژههای فعلی است، دقت مدل را در دستههای کمیاب (Tail classes) بهطور قابلتوجهی افزایش میدهد و نسبت به روشهای قبلی عملکرد بهتری دارد. اگر با آموزش مدلهای طبقهبندی سر و کار دارید، حتما این مقاله جدید را بررسی کنید! 💡
منبع: arXiv Computer Vision