Réponse rapide
Le déséquilibre entre classes se traite par collecte ciblée, pondération, rééchantillonnage, perte adaptée et métriques par classe, sans créer artificiellement une confiance trompeuse sur les catégories rares.
Mesurer la distribution
Fréquence, contexte, coût d’erreur et qualité des labels sont examinés. Une classe rare peut être critique ou simplement peu utile selon la mission.
Rééquilibrer avec contrôle
Poids, échantillonnage, augmentation et pertes spécialisées sont comparés. Les exemples synthétiques restent séparés et vérifiés avant de renforcer un signal.
Ventiler les performances
Rappel, précision, calibration, refus et matrice de confusion sont calculés par classe et environnement. Le seuil global n’est pas supposé optimal partout.
Suréchantillonner ne crée pas une diversité réelle
Copies ou augmentations peuvent mémoriser un défaut et gonfler le score rare. Les cas indépendants et les conséquences opérationnelles restent déterminants.
Sources et références
- [1] Robotics and Autonomous Systems — NIST