- Одноступенчатая классификация пищевых продуктов с тяжелыми хвостами (arXiv)
Автор: Цзянпэн Хэ, Фэнцин Чжу.
Аннотация: Классификация изображений продуктов питания на основе глубокого обучения позволила более точно анализировать содержание питательных веществ для оценки питания на основе изображений путем прогнозирования типов продуктов питания на изображениях событий приема пищи. Однако существуют два основных препятствия для применения классификации пищевых продуктов в реальной жизни. Во-первых, изображения еды в реальной жизни обычно распределяются с тяжелым хвостом, что приводит к серьезной проблеме классового дисбаланса. Во-вторых, сложно обучить одноэтапную (т. е. сквозную) структуру при распределении данных с тяжелым хвостом, что приводит к завышенным прогнозам в отношении головных классов с богатыми экземплярами и заниженным прогнозам в отношении хвостовых классов с редкими экземплярами. В этой работе мы решаем обе проблемы, представляя новую одноэтапную систему классификации пищевых продуктов с тяжелыми хвостами. Наш метод оценивается на двух наборах данных по продуктам питания с тяжелым хвостом, Food101-LT и VFN-LT, и обеспечивает лучшую производительность по сравнению с существующими работами с улучшением более чем на 5% для первой точности.
2. Модели максимально-линейных структурных уравнений с тяжелым хвостом в сетях со скрытыми узлами (arXiv)
Автор: Марио Крали, Энтони К. Дэвисон, Клаудия Клуппельберг.
Аннотация: Рекурсивные макс-линейные векторы предоставляют модели причинно-следственной зависимости между большими значениями наблюдаемых случайных величин, поскольку они поддерживаются ориентированными ациклическими графами (DAG). Но стандартное предположение о том, что все узлы такой DAG наблюдаются, зачастую нереалистично. Мы предоставляем необходимые и достаточные условия, которые позволяют частично наблюдаемому вектору из регулярно меняющейся модели быть представленным как рекурсивная макс-линейная (суб)модель. Наш метод основан на регулярной вариации и минимальном представлении рекурсивного максимально линейного вектора. Здесь важную роль играют пути DAG с максимальным весом. Результаты основаны на методе масштабирования и отношениях причинно-следственной зависимости между парами узлов. В некоторых случаях наш метод также может обнаружить наличие скрытых помех. При двухэтапной процедуре порогового определения мы показываем согласованность и асимптотическую нормальность оценок. Наконец, мы изучаем наш метод путем моделирования и применяем его к данным о потреблении пищи.
