Soluciones Deep Learning para el aprendizaje con datos desbalanceados

Abstract

Conseguir un buen rendimiento de los algoritmos de clasificación cuando se trabaja con datos desbalanceados es una labor difícil. En los últimos años ha sido creciente la investigación en este campo, debido a la relevancia que adquiere conseguir clasificar correctamente elementos anómalos o poco comunes, en especial en entornos médicos, financieros o industriales. Este trabajo explora distintas técnicas y enfoques, centrándose posteriormente en aquellas particularizadas a conjuntos de datos compuestos por imágenes. Se estudian diferentes algoritmos de balanceo dentro del ámbito del Deep Learning que buscan hacer frente a esta problemática del desbalanceo de clases mejorando así el rendimiento en las tareas de clasificación. Las técnicas empleadas son DeepSMOTE y BAGAN-GP. DeepSMOTE combina SMOTE, método de resampling, con el DeepLearning generando imágenes de calidad. Por otra parte, BAGAN-GP deriva del método BAGAN, ambos son modelos de balanceo basados en redes generativas adversarias. Tras un proceso de análisis, este trabajo muestra que el empleo tanto de BAGAN-GP como de DeepSMOTE mejora la tarea de clasificación, siendo esta última la técnica que arroja los mejores resultados.