DirPA: 不均衡な少数ショット作物タイプ分類における事前シフトの対処

要旨: 実世界の農業モニタリングは、深刻なクラス不均衡と高いラベル取得コストのために妨げられがちで、データ不足が顕著となる。
少数ショット学習（FSL）は、データ不足の設定のために特に設計されたフレームワークであり、訓練データセットはしばしば人工的にバランスが取られている。
しかし、これは自然界で観察される長尾分布との乖離を生み出し、実世界の農業タスクへ一般化する能力を損なう分布シフトを引き起こす。
私たちは以前、Dirichlet Prior Augmentation（DirPA; Reuss et al., 2026a）を導入し、モデル訓練時のこのようなラベル分布の歪みの影響を事前に緩和しました。
本研究では、元の研究の地理的範囲を拡張します。
具体的には、欧州連合（EU）の複数国にわたり、この拡張アプローチを評価し、局所的な実験を超えて、多様な農業環境に対する手法の頑健性を検証します。
われわれの結果は、DirPAが異なる地理的地域で有効であることを示しています。
DirPAは、ターゲット地域に関係なく、極端な長尾分布下でのシステムの堅牢性を向上させ、訓練を安定化させるだけでなく、事前情報を積極的に模擬することにより、個々のクラス固有の性能を大幅に改善することを示しています。