dlcp:biblio
Differences
This shows you the differences between two versions of the page.
Both sides previous revisionPrevious revisionNext revision | Previous revisionLast revisionBoth sides next revision | ||
dlcp:biblio [20/04/2021 18:17] – [Обзоры] demichev | dlcp:biblio [20/04/2021 18:30] – [Обзор] demichev | ||
---|---|---|---|
Line 26: | Line 26: | ||
======Методы глубокого обучения для работы с несбалансированными данными===== | ======Методы глубокого обучения для работы с несбалансированными данными===== | ||
+ | |||
+ | ==== Обзор ==== | ||
+ | |||
+ | * [[https:// | ||
+ | |||
+ | === Аннотация === | ||
+ | |||
+ | Целью обзора является анализ существующих методов глубокого обучения для работы с несбалансированными данными. Несбалансированность понимается в смысле существенного различия числа объектов, | ||
+ | |||
+ | Дисбаланс классов тщательно изучался в течение последних двух десятилетий с использованием традиционных моделей машинного обучения, | ||
+ | |||
+ | Существующие работы, | ||
+ | |||
+ | Рассмотренные методы подразделяются на | ||
+ | * методы предварительной подготовки данных (Data-level methods), в частности | ||
+ | * random under-sampling (RUS), random over-sampling (ROS), dynamic sampling, two-phase learning; | ||
+ | * совершенствование алгоритмов обучения (Algorithm-level methods), в частности | ||
+ | * mean false error loss, focal loss, cost-sensitive deep neural network, very deep neural networks; | ||
+ | * методы, | ||
+ | * large margin local embedding, deep over-sampling. | ||
+ | |||
+ | Несколько традиционных методов обработки данных с дисбалансом классов, | ||
+ |
dlcp/biblio.txt · Last modified: 09/07/2021 08:26 by admin