불균형한 대조 표현
지도 대조 학습은 균형 자료에서 유용하지만 긴 꼬리에서는 이상적인 표현 기하를 만들지 못할 수 있다. 연구는 정규 단체를 이루는 조건의 관점에서 이 문제를 분석했다.
클래스 평균화
다른 클래스를 밀어내는 음성 클래스들의 기울기 기여를 클래스 평균화로 균형 맞춘다. 예시가 많은 클래스의 기여가 지배하는 최적화를 조절하려는 구성이다.
클래스 보완
클래스 보완은 모든 클래스가 각 미니배치에 나타나도록 하는 요소다. 두 구성을 사용한 BCL이 정규 단체 형성 조건을 만족하고 교차 엔트로피 최적화를 돕는다고 분석했다.
두 갈래 구성의 평가
두 갈래 프레임워크에 BCL을 적용해 특징 표현을 학습했다. CIFAR-10-LT와 CIFAR-100-LT 및 ImageNet-LT와 iNaturalist 2018에서 평가했다.
관련 문서
MiSLAS / PaCo / 지도 대조 재생 / RIDE 긴 꼬리 인식 / LDAM / 유효 표본 수 기반 클래스 균형 손실