Azınlık sınıfı görüntülerini tamamen rastgele gürültüyle çoğaltmak işe yarar mı?

VERİ BİLİMCİ GÖZÜYLE

Yöntem ve veri

Araştırmacılar, Zada, Benou ve Irani'nin (2021) OPeN adlı yöntemini bağımsız olarak yeniden uyguladı: dengesiz bir görüntü sınıflandırma probleminde azınlık sınıfa saf rastgele gürültü görüntüleri ekleyip, bu gürültü görüntülerini gerçek görüntülerden öğrenilen afin parametrelerle ayrı normalize eden özel bir batch normalization katmanı kullandılar. PyTorch'ta orijinal kod parçalarını entegre ederek azınlık sınıf doğruluğunu artırma, batch norm katmanının taban çizgilerini geçmesi, farklı veri artırma seviyelerinde dayanıklılık ve dengeli veride de fayda sağlama gibi dört ana iddiayı tek tek test ettiler.

İstatistiksel not

Dört iddianın üçü tam olarak yeniden üretildi, dördüncüsü de destekleniyor; ancak özet somut rakam vermiyor, bu da etki büyüklüğünü dışarıdan değerlendirmeyi zorlaştırıyor. Daha da önemlisi, yazarlar gözlenen kazancın bir kısmının daha büyük bir ağ ya da daha karmaşık veri artırmanın etkisiyle örtüşebileceğini (confound) ihtiyatlı bir dille not ediyor; yani 'iyileşme nereden geliyor' sorusu tam kapanmıyor.

Pratikte

Bir veri bilimci, dengesiz veri setlerinde azınlık sınıfı güçlendirmek için saf gürültü ekleme ve ayrı batch normalization fikrini deneyebilir; ama gözlenen iyileşmeyi mutlaka model kapasitesi ve veri artırma ayarlarını sabit tutarak (ablation ile) doğrulamalı, aksi halde kazanç başka bir değişkenden kaynaklanabilir.

Bankada

Kredi skorlama ve dolandırıcılık tespiti gibi alanlarda azınlık sınıf (örneğin az sayıdaki dolandırıcılık örneği) sorunu yaygın; bu tür 'iyileştirme' iddialarını üretime almadan önce, kazancın gerçekten yöntemden mi yoksa eşlik eden bir model/veri değişikliğinden mi geldiğini ayırt etmek model doğrulama ekipleri için kritik bir adım.