시험도 불균형할 수 있다
긴 꼬리 학습 뒤 균등한 시험 분포에서만 평가하는 규약은 현실의 모든 조건을 반영하지 못한다. 연구는 목표도 긴 꼬리일 수 있다는 점에서 레이블 변화 문제로 정식화했다.
예측과 원천 분포의 얽힘
원천 레이블 분포가 예측에 얽혀 있는 문제에 주목했다. 먼저 교차 엔트로피로 학습한 모델의 예측을 사후 처리해 목표 분포에 맞추는 단순한 기준을 분석했다.
학습 중 분포의 분리
LADE 손실은 학습 단계에서 직접 원천 레이블 분포의 영향을 분리하려 한다. Donsker-Varadhan 표현의 최적 경계에 기반해 목적을 설계했다.
여러 목표 분포의 평가
CIFAR-100-LT와 Places-LT 및 ImageNet-LT와 iNaturalist 2018에서 평가했다. 균등한 목표뿐 아니라 여러 형태로 바뀐 목표 레이블 분포에서도 적응성을 비교했다.
관련 문서
DisAlign / 긴 꼬리 학습의 로짓 조정 / Balanced Meta-Softmax / LDAM / RIDE 긴 꼬리 인식 / PaCo