每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

使用熵引导条件变分自动编码器进行不确定性感知生成过采样

Created by
  • Haebom

作者

Amirhossein Zare (SeyedAbolfazl)、Amirhessam Zare (SeyedAbolfazl)、Parmida Sadat Pezeshki (SeyedAbolfazl)、Herlock (SeyedAbolfazl)、Rahimi、Ali Ebrahimi、Ignacio Vazquez-Garcia 、 Leo Anthony Celi

大纲

LEO-CVAE 是一种新颖的生成式过采样框架，用于解决高维生物医学数据的不平衡学习问题。该框架基于 CVAE，明确地将局部不确定性纳入学习和数据生成过程。它利用局部熵作为不确定性度量，从而能够在高不确定性区域进行更稳健的学习，并将合成样本生成重点放在这些区域。该框架已应用于临床基因组数据集（ADNI 和 TCGA 肺癌），并展示了比现有过采样和生成模型更佳的分类性能。

Takeaways, Limitations

•
Takeaways：
◦
证明使用不确定性信息的生成过采样技术的有效性。
◦
提出了解决具有复杂非线性结构的数据（例如生物医学数据）的不平衡学习问题的可能性。
◦
与传统过采样方法和现有的生成模型相比，实现了卓越的性能。
•
Limitations：
◦
缺乏具体的LEO-CVAE实现方法、超参数设置等信息。
◦
泛化性能需要在其他领域和数据集上进行验证。
◦
需要进一步研究来优化局部熵的计算和利用。
👍
Made with Slashpage