该研究提出了SMOGAN框架,旨在解决不平衡回归中预测变量偏斜的问题,显著提升了合成样本的质量和模型性能,实验结果表明其优于传统方法。
本研究提出了一种不平衡回归的新方法——误差分布平滑(EDS),通过选择代表性子集来减少冗余,确保数据的平衡与代表性。实验结果验证了该方法的有效性。
不平衡回归中数据分布不均会削弱模型效果。研究提出在回归损失中加入分类损失,或采用分布平滑、平衡均方误差、混合专家、半监督自训练等方法,以校准标签与特征分布、处理比例和方差失衡。这些方法在计算机视觉、自然语言处理、医疗等领域效果良好,成为重要方向。
完成下面两步后,将自动完成登录并继续当前操作。