Kỹ thuật nào có thể được sử dụng kết hợp với GAN để cải thiện hiệu suất phân loại dữ liệu không cân bằng?

B. a = 16.5

C. a = 17.5

Cross-Entropy Loss

Binary Cross-Entropy Loss

Mean Squared Error

Hinge Loss

Mean Squared Error

Binary Cross-Entropy

Hinge Loss

Kullback-Leibler Divergence

Chỉ sử dụng dữ liệu của lớp đa số

Đảm bảo dữ liệu tổng hợp không quá khác biệt với dữ liệu thật

Không cần huấn luyện Discriminator

Tăng nhiễu ngẫu nhiên vô hạn

Không thể xử lý dữ liệu lớn

Số lượng lớp tăng theo cấp số nhân với số nhãn

Không hỗ trợ hàm mất mát Binary Cross-Entropy

Chỉ áp dụng cho dữ liệu văn bản

Dữ liệu cần được chuẩn hóa về giá trị 0-1

Cần đảm bảo cân bằng giữa các nhãn

Chỉ cần một nhãn cho mỗi mẫu

Không cần xử lý dữ liệu trước

Multi-label cho phép mỗi mẫu có nhiều nhãn, còn Multi-class chỉ có một nhãn duy nhất

Multi-label sử dụng hàm mất mát khác, còn Multi-class không cần hàm mất mát

Multi-label chỉ áp dụng cho dữ liệu văn bản, Multi-class áp dụng cho hình ảnh

Multi-label không cần huấn luyện mô hình, Multi-class cần huấn luyện