Generazione consapevole dei confini decisionali per l'apprendimento a coda lunga

Un nuovo framework, Decision Boundary-aware Generation (DBG), affronta il bias dei dati a coda lunga nell'apprendimento automatico. I dataset a coda lunga distorcono i confini decisionali verso le classi di testa, riducendo l'accuratezza delle classi di coda. L'aumento generativo basato su diffusione e il trasferimento testa-coda sono stati utilizzati per mitigare questo problema, ma quest'ultimo può causare una miscelazione latente non locale delle caratteristiche, portando a sovrapposizione dei confini decisionali e spostamento della distribuzione delle classi di coda. DBG identifica questo problema di ambiguità dei confini e genera campioni informativi vicino ai confini per promuovere spazi decisionali separabili. Il framework ribilancia i dataset a coda lunga e migliora le prestazioni del classificatore. I risultati su benchmark standard a coda lunga mostrano miglioramenti consistenti.