ترجمه فارسی مقاله مروری سیستماتیک بر یادگیری دنباله‌دار

چکیده

Long-tailed data is a special type of multi-class imbalanced data with a very large amount of minority/tail classes that have a very significant combined influence. Long-tailed learning aims to build high-performance models on datasets with long-tailed distributions, which can identify all the classes with high accuracy, in particular the minority/tail classes. It is a cutting-edge research direction that has attracted a remarkable amount of research effort in the past few years. In this paper, we present a comprehensive survey of latest advances in long-tailed visual learning. We first propose a new taxonomy for long-tailed learning, which consists of eight different dimensions, including data balancing, neural architecture, feature enrichment, logits adjustment, loss function, bells and whistles, network optimization, and post hoc processing techniques. Based on our proposed taxonomy, we present a systematic review of long-tailed learning methods, discussing their commonalities and alignable differences. We also analyze the differences between imbalance learning and long-tailed learning approaches. Finally, we discuss prospects and future directions in this field.

چکیده به فارسی (ترجمه ماشینی)

داده های طولانی مدت نوع خاصی از داده های نامتعادل چند طبقه با تعداد بسیار زیادی از کلاس های اقلیت/دم است که تأثیر ترکیبی بسیار قابل توجهی دارند.یادگیری دم بلند با هدف ساختن مدل های با کارایی بالا در مجموعه داده ها با توزیع های بلند و طولانی ، که می تواند تمام کلاس ها را با دقت بالا ، به ویژه کلاس های اقلیت/دم شناسایی کند.این یک جهت تحقیق برجسته است که در چند سال گذشته تلاش قابل توجهی از تحقیقات را به خود جلب کرده است.در این مقاله ، ما یک بررسی جامع از آخرین پیشرفت ها در یادگیری بصری با دم بلند ارائه می دهیم.ما ابتدا یک طبقه بندی جدید برای یادگیری طولانی مدت ، که از هشت بعد مختلف تشکیل شده است ، از جمله تعادل داده ها ، معماری عصبی ، غنی سازی ویژگی ها ، تنظیم ورود به سیستم ، عملکرد از دست دادن ، زنگ ها و سوت ها ، بهینه سازی شبکه و تکنیک های پردازش HOC پیشنهاد می کنیم.بر اساس طبقه بندی پیشنهادی ما ، ما یک مرور سیستماتیک از روشهای یادگیری بلند و طولانی را ارائه می دهیم ، در مورد مشترکات آنها و تفاوت های قابل تراز بحث می کنیم.ما همچنین تفاوتهای بین عدم تعادل و رویکردهای یادگیری دم بلند را تجزیه و تحلیل می کنیم.سرانجام ، ما در مورد چشم انداز و مسیرهای آینده در این زمینه بحث می کنیم.