NeurIPS 2022 | 视觉长尾学习模型为何无法较好地落地？

在这篇 NeurIPS 2022 论文中，来自新加坡国立、字节跳动和华为的学者表明：这个问题的本质在于实际应用中的测试集并不是单一的均匀分布的。因此，他们设计了 SADE 算法，即使是在一个固定的长尾分布数据集上训练的模型，也能够自适应地处理多个不同类别分布的测试场景。

那么，这个问题可以被解决吗？让我们看看这篇 NeurIPS 2022 的新方法究竟能够为长尾学习的落地带来哪些改变吧。

论文链接：https://arxiv.org/pdf/2107.09249.pdf

该工作呼吁大家研究测试分布未知的长尾识别问题（Test-agnostic Long-tailed Recognition）。该任务旨在从一个固定的长尾分布训练集上训练一个神经网络模型，并期望它能在服从不同类别分布（包括均匀、长尾、反向长尾分布）的测试集上表现良好。为了解决该任务，该论文提出了 SADE（Self-supervised Aggregation of Diverse Experts）算法，在多个数据集的不同类别分布测试集上均取得了显著的性能提升。

总体而言，这项研究阐明了：即使是在一个固定的长尾分布数据集上训练的模型，也能够自适应地处理不同类别分布的测试场景。目前该方法的代码已经开源，感兴趣的小伙伴可以在 Github 上查看。