显而易见的解决方案是确保训练数据是平衡的——但在我的特殊情况下这是不可能的。在这种情况下可以执行哪些更正？
我知道我的训练数据严重偏向于某个特定的班级，比如说，我无法改变这一点。此外，标签非常嘈杂。以这条信息为条件，我可以通过调整训练过程本身/其他东西来纠正训练数据中的偏差吗？
数据来自实验（来自电子显微镜），我无法收集更多数据。它总是会以这种方式存在偏见，因此替代偏见也不是一种选择。很抱歉，由于保密原因，我无法提供更多详细信息。
在训练 DNN 时，可以做些什么来纠正从（嘈杂的）训练数据中引入的采样偏差？
人工智能
神经网络
研究
深度神经网络
训练
2021-10-19 12:56:48
1个回答
我觉得从您提供的信息（某种有偏见的数据）中，您无法获得您想要的可靠答案（可以进行哪些算法更改）。
一般来说，这些方法之所以像 DNN 的工作是因为它们从数据中学习。你训练它做的是它的能力，几乎没有人可以做它来“平衡”它与它从未见过的数据类别。这就像训练某人做代数然后给他们一个三角测试。当然，这都是数学，但如果没有适当的学习，你永远无法期待太多。
话虽如此，您或许应该看看其他方法来处理这些数据或解决问题。鉴于您无法收集公正的数据，并且由于机密性而无法解释更多，我真的怀疑这里的任何人都可以帮助您。
我最多可以给你看这篇文章：“有偏类分布的数据分类”。
并建议考虑到不幸的情况，您当前的方法可能不是最合适的。
其它你可能感兴趣的问题