PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2409.13007v3cs.LG공식 코드 · Papers with Code

iCost: 인스턴스 복잡도 기반 비용 민감 학습의 새로운 프레임워크

iCost: A Novel Instance-Complexity-Based Cost-Sensitive Learning Framework

클래스 불균형은 분류 작업에서 상당한 도전 과제를 제기하며, 종종 표준 학습 알고리즘이 다수 클래스 쪽으로 바이어스되게 만든다. 비용 민감 학습(CSL)은 소수 클래스 오분류에 더 높은 페널티를 부여함으로써 이 문제를 해결한다. 그러나 기존 CSL은 일반적으로 모든 소수 클래스 인스턴스에 균일한 페널티를 적용하여, 소수 클래스 샘플이 지역적 안전성, 중첩, 경계 모호성, 이상치와 유사한 행동 측면에서 상당히 다를 수 있다는 사실을 무시한다. 따라서 균일한 페널티 부여는 부당한 바이어스를 유발하여 오분류 수를 증가시킬 수 있다. 본 연구에서는 소수 클래스 샘플의 추정 학습 난이도에 따라 적응적 페널티를 부여하는 인스턴스 복잡도 인식 CSL 프레임워크인 iCost를 제안한다. 이 세밀한 페널티 부여 전략은 더 공정한 가중을 보장하고, 불필요한 바이어스를 줄이며, 전반적인 분류 성능을 향상시킨다. 지역 이웃 구성에 기반한 Neighbor-iCost와 Gini 불순도 기반 특징 공간 분할에 기반한 Gini-iCost라는 두 가지 상보적인 복잡도 추정 전략을 도입한다. 65개의 이진 및 10개의 다중 클래스 불균형 데이터셋에 대한 광범위한 실험에서 iCost는 기존 CSL을 명확한 마진으로 능가하며, 널리 사용되는 리샘플링 방법과도 높은 경쟁력을 유지한다. 재현성과 실용적 도입을 지원하기 위해 제안 알고리즘은 PyPI를 통해 scikit-learn 호환 Python 패키지로 공개되었다. 본 연구는 학습 과정에 인스턴스 수준의 데이터 복잡도를 통합함으로써 불균형 학습에 대한 새로운 관점을 제공하며, 불균형 분류를 위한 적응적이고 복잡도 인식 전략 개발의 새로운 방향을 연다.