長い尾（ロングテール）学習のための決定境界を意識した生成

要旨: ロングテールデータのバイアスは意思決定境界を先頭（head）クラスへ偏らせ、テール（tail）クラスの精度を低下させる。拡散ベースの生成的拡張は、追加データを生成することでこの問題に対処する一方、さらに先頭からテールへの転移（head-to-tail transfer）は、ロングテールのデータセットに由来する生成器のバイアスを抑える。だが本研究では、head-to-tail transfer が分類器の意思決定空間のバランスを取るのに役立つ一方で、それが潜在的な非局所的特徴の混合を引き起こし、クラス間の特徴を絡み合わせてしまうこと、そしてその結果として意思決定境界の重なりとテールクラスの分布シフトが生じることを示す。これに対処するために、まず境界の曖昧性という問題を特定し、境界を意識した生成（Decision Boundary-aware Generation; DBG）フレームワークを提案する。本フレームワークは、有益な境界近傍サンプルを生成することで、境界近傍での表現学習を促進する。全体として、DBG はロングテールデータセットの再バランスを図りつつ、ロングテール学習におけるより分離可能な意思決定空間をもたらす。標準的なロングテールのベンチマークにおいて、DBG はクラス間の重なりが少ない状態で、テールクラスおよび全体の精度を一貫して改善する。DBG のコードは https://github.com/keepdigitalabc-svg/DBG で公開されている。