.png){kind=icon}
返回
FMAPLS: Bayesian Label Shift Estimation Based on Dynamic Dirichlet Parameter Adaptation
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2025.3622531.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
标签偏移（Label shift）是监督学习中的一个关键挑战，它发生在测试数据的类先验分布与训练数据发生偏离时，导致分类器性能显著下降。这一问题在医疗诊断和卫星成像等实际应用中尤为关键，因为分类准确率的降低可能引发严重后果。现有方法，如最大后验标签偏移（MAPLS），依赖于严格的Dirichlet超参数约束，从而限制了它们在动态学习环境和类别不平衡场景下的适应性。为解决此问题，我们提出了全最大后验标签偏移（FMAPLS），一种贝叶斯标签偏移估计框架，该框架通过期望最大化（EM）迭代动态协同优化Dirichlet超参数和类先验。通过消除刚性超参数约束并引入线性替代函数，FMAPLS在提高先验估计的表述能力和鲁棒性的同时降低了计算复杂度。在CIFAR100数据集上针对打乱的长尾和Dirichlet不平衡测试先验进行的广泛实验表明，FMAPLS优于当前最优基线方法，KL散度降低高达50%，并在极端不平衡设置下保持最高0.5%的准确率提升。结果表明，动态超参数适应在估计标签偏移方面具有有效性，尤其在高度类别不平衡和分布不确定性条件下。
Keyword:
Label shift
imbalance data
expectation-maximization algorithm
