虽然在多阶级范式中对阶级失衡问题进行了广泛的研究，但由于不平衡转移现象的存在，其在多维分类(MDC)背景下的研究受到了限制。当一个样本在一个标记维度(LD)中属于次要类而在另一个维度中属于主要类时，它作为次要类或主要类实例的分类就会变得模糊。
以前的MDC方法主要强调基于实例的标准，忽略了来自维度方面的预测能力，即跨ld的平均分类性能。
为了解决这些问题，由南京大学LAMDA的詹德川领导的一个研究小组在《计算机科学前沿》上发表了他们的新研究，题为“从维度的角度重新审视多维分类”。
该团队断言了面向维度的度量在实际MDC应用程序中的重要性，并介绍了两个这样的度量。此外，该团队观察了每个LD中的不平衡类分布，并提出了一种新的不平衡感知融合模型(IMAM)来解决MDC问题。
在研究中，IMAM首先将任务分解为多个多类分类问题，分别为每个LD创建不平衡感知深度模型。这种简单的方法在不同的ld之间表现良好，而不会牺牲实例标准的性能。随后，IMAM采用多名教师作为ld智慧模型，并将他们在所有ld中的知识转移到统一的学生模型中。
在不同的MDC数据集上进行了大量的实验。结果表明，本文提出的IMAM算法具有较大的优势。
更多信息:Yi Shi等人，从维度角度重新审视多维分类，计算机科学前沿(2024)。DOI: 10.1007 / s11704 - 023 - 3272 - 9。引用:科学家从维度的角度重新审视多维分类(2024,4月23日)检索自2024年4月24日https://techxplore.com/news/2024-04-scientists-revisit-multi-dimensional-classification.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
