Ի՞նչ կպատահի սինթետիկ տվյալների սերնդի դեպքում հազվագյուտ դասի համար: Ինչ կլինի բաշխման հետ?

Նվազագույր դասի համար սինթետիկ տվյալների սերունդ (օրինակ՝ SMOTE-ի նման oversampling մեթոդների միջոցով) հանգեցնում է այդ դասի օրինակների թվի ավելացմանը ուսուցման հավաքածուում:

Ինչ է տեղի ունենում բաշխման հետ:

• Դասերի բաշխումը ավելի հավասարակշռված է դառնում, անհամամասնությունը նվազում է:
• Սակայն, սինթետիկ տվյալները կարող են ամբողջությամբ չարտացոլել նազար դասի իրական բազմազանությունը, ինչը կարող է հանգեցնել մոդելի ավելորդ ուսուցման կամ կողմնակալության:
• Տեսողականորեն, բաշխումը ավելի քիչ կողմնակալ է դառնում, բայց արհեստական տվյալները կարող են ստեղծել 'ցածր' տարածքներ նշանների մեջ:

Այսպիսով, սինթետիկ տվյալների սերունդը օգնում է բարելավել մոդելի ուսուցումը նազար դասերում, բայց պահանջում է զգուշություն՝ չվնասելու ընդհանուր կարողությանը բաշխման խեղաթյուրումից։