Resumen

Ante la distribución de datos de cola larga que ampliamente existe en conjuntos de datos del mundo real, este artículo propone un modelo de red generativa de doble rama bilateral. Los datos de la segunda rama se construyen mediante el re muestreo del método de entrenamiento de la red generativa para mejorar la calidad de los datos. Se utiliza un modelo de red de doble rama bilateral para frenar el riesgo de explosión del gradiente y para evitar el sobreajuste y el subajuste con el efecto combinado de diferentes ramas de datos. Mientras tanto, se introduce la estrategia supervisada por tiempo para mejorar la eficiencia operativa del modelo y la capacidad para hacer frente a condiciones extremas mediante la supervisión y el control colaborativo de la red generativa de doble rama bilateral con parámetros invariables en el tiempo. La estrategia supervisada por tiempo podría garantizar la precisión del modelo al tiempo que se reduce el número de iteraciones. Los resultados experimentales en dos conjuntos de datos disponibles públicamente, CIFAR10 y CIFAR100, muestran que el método propuesto mejora efectivamente el rendimiento

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Distribución de datos de cola larga; Modelo de red generativa de ramificación bilateral; Remuestreo; Explosión de gradientes; Sobreajuste; Estrategia supervisada por tiempo
• Keywords:Long-tailed data distribution; Bilateral-branch generative network model; Resampling; Gradient explosion; Over-fitting; Time-supervised strategy