🔥 今日值得一读
深度不平衡回归评估藏三大盲点，尾部区域对随机种子极度敏感！
Exposing Blind Spots in Deep Imbalanced Regression Evaluation
👨💼 主理人解读 · 为什么值得关注
做不平衡回归的开发者可据此检查评测是否只看图像基准、忽略尾部稳定性，避免模型上线后尾部失效。
📖 AI 总结
该研究聚焦深度不平衡回归（DIR）评估中长期被忽视的三个盲点：基准过度依赖图像数据、传统的多/中/少样本评估协议仅具诊断性而无法支撑决策、以及尾部区域在不同随机种子下的稳定性缺乏系统检验。作者引入多模态虚拟传感基准MuViS，涵盖六个物理域、九个时间序列回归任务，并采用平衡MAE及新提出的平衡平均绝对缩放误差（bMASE）实现跨方法与数据集的尺度归一化比较。通过对六种代表性DIR方法在多个随机种子下的重复评估，研究发现：标准虚拟传感模型在尾部区域存在被全局MAE掩盖的显著性能退化；现有DIR方法虽能改善平衡性能，但在多模态时间序列数据上迁移效果不均；尾部区域对种子级波动高度敏感，构成当前评估实践下隐藏的失效模式。该工作为DIR研究提供了可复现的评估基础，推动回归系统在稀有目标区间达到与常见区间同等可靠的性能。
🔑 关键词速览
| Deep Imbalanced Regression (DIR) | 深度不平衡回归，处理目标分布高度不均匀的回归任务，旨在提升稀有目标区域的性能。 |
| MuViS | 多模态虚拟传感基准，包含六个物理领域的九个时间序列回归任务，用于评估DIR方法。 |
| bMAE | 平衡平均绝对误差，一种考虑目标分布平衡性的评估指标，用于衡量模型在不同目标区域的性能。 |
| bMASE | 平衡平均绝对缩放误差，本文提出的尺度归一化指标，用于跨方法和数据集的决策完备比较。 |
| tail-region instability | 尾部区域不稳定性，指模型在稀有目标区域性能对随机种子变化高度敏感的现象。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅