.png){kind=icon}
返回
Multimodal Deep Generative Model for Semi-Supervised Learning under Class Imbalance
.png){kind=icon}
PRE
AI
DOI：10.1080/00401706.2026.2637593.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在处理类别不平衡数据建模时，解决不平衡问题至关重要，因为基于此类数据训练的模型往往偏向于多数类别。在部分监督学习场景下，这一问题更为突出，因为基于不平衡标记数据预测的无标记数据伪标签会传播这种偏差。尽管近年来的半监督模型已尝试解决类别不平衡问题，但它们通常假设输入数据为单模态。然而，随着多模态数据的日益普及，利用互补模态变得至关重要。本文提出了一种用于类别不平衡条件下的多模态深度生成模型进行半监督学习。该方法为每种模态使用独立的编码器，并在模态间共享潜在变量，同时采用专家乘积方法简化联合后验计算。为进一步解决类别不平衡问题，我们将典型的高斯分布替换为先验、编码器和解码器中的学生t分布，以更好地捕捉不平衡数据中厚尾的潜在分布。我们推导出了一种新的目标函数，利用伽马幂偏差对标记和无标记数据进行模型训练。在基准和真实数据集上的实验结果表明，我们的模型在泛化能力上优于基线方法，实现了对部分标记且类别分布不平衡的多模态数据的卓越分类性能。
Keyword:
Class-imbalanced learning
Deep generative models
gamma-power divergence
Multimodal learning
Product-of-experts
Semi-supervised learning
Student's t-distribution
期刊
T
IF:
2.5
论文数:
65
被引数:
1.0W
机构
引用论文
.png){kind=icon}
Learnable Logit Adjustment for Imbalanced Semi-Supervised Learning Under Class Distribution Mismatch
PREAI
分享收藏
查看更多内容