Исследователи представили метод Confusion-Geometry Rebalancing (CGR) для улучшения состязательного обучения (adversarial training) в условиях несбалансированных данных. Авторы решают проблему двойного дисбаланса, при котором модель отдает предпочтение доминирующим классам, а состязательные атаки дополнительно усиливают эту предвзятость. Новый подход позволяет более эффективно выравнивать точность распознавания между редкими и частыми классами при сохранении устойчивости к атакам.

Традиционные методы состязательного обучения часто игнорируют взаимосвязи между классами, фокусируясь на коррекции априорных вероятностей или индивидуальной настройке весов для каждого класса. В отличие от них, CGR анализирует геометрическую структуру «путаницы» (confusion) между классами в состязательном пространстве. Это позволяет модели лучше понимать, какие именно классы чаще всего ошибочно принимаются друг за друга, и динамически корректировать процесс обучения для минимизации этого влияния.

Применение данного метода позволяет значительно повысить робастность моделей на «длинном хвосте» распределения данных, где количество примеров для отдельных категорий минимально. Исследование показывает, что учет геометрии ошибок в состязательном обучении дает более стабильные результаты по сравнению с классическими техниками перевзвешивания, что критически важно для систем компьютерного зрения, работающих с реальными, неидеально сбалансированными датасетами.

Ключевые факты

  • Метод CGR (Confusion-Geometry Rebalancing) направлен на устранение двойного дисбаланса: классового и состязательного.
  • Подход учитывает геометрические особенности ошибок классификации, возникающих при состязательных атаках.
  • Техника превосходит существующие методы коррекции априорных вероятностей в задачах с «длинным хвостом» распределения.
  • Исследование опубликовано на платформе arXiv под номером 2608.09688.