اگر در پروژههای یادگیری ماشین با مشکل کمبود داده در یک کلاس خاص و غلبه کلاسهای دیگر دستوپنجه نرم میکنید، یک مقاله مروری جدید منتشر شده که برای شماست! این پژوهش بهصورت سیستماتیک انواع روشهای متوازنسازی داده (Data Balancing) را بررسی کرده است.
در این مقاله، از متدهای کلاسیک مثل SMOTE تا مدلهای پیشرفته مبتنی بر هوش مصنوعی مولد (GANs و Diffusion Models) و روشهای ترکیبی بررسی شدهاند. نکته کلیدی اینجاست: هیچ روش جادویی و تکبعدی وجود ندارد و انتخاب درست، به ویژگیهای دیتاست شما بستگی دارد.
این منبع برای کسانی که به دنبال بهینهسازی دقیقتر مدلهای خود هستند، یک نقشه راه عالی محسوب میشود.
منبع: arXiv AI