Rethinking Loss Reweighting for Imbalance Learning as an Inverse Problem: A Neural Collapse Point of View

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Jinping, Tong, Zixin, Xie, Zhiwu, Gao, Zhiqiang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Space Alignment Matters: The Missing Piece for Inducing Neural Collapse in Long-Tailed Learning
von: Wang, Jinping, et al.
Veröffentlicht: (2025)

Escaping Optimization Stagnation: Taking Steps Beyond Task Arithmetic via Difference Vectors
von: Wang, Jinping, et al.
Veröffentlicht: (2025)

Fix the Loss, Not the Radius: Rethinking the Adversarial Perturbation of Sharpness-Aware Minimization
von: Wang, Jinping, et al.
Veröffentlicht: (2026)

Exploring Criteria of Loss Reweighting to Enhance LLM Unlearning
von: Yang, Puning, et al.
Veröffentlicht: (2025)

FaLW: A Forgetting-aware Loss Reweighting for Long-tailed Unlearning
von: Yu, Liheng, et al.
Veröffentlicht: (2026)

Rethinking Plasticity in Deep Reinforcement Learning
von: He, Zhiqiang
Veröffentlicht: (2026)

Beyond Losses Reweighting: Empowering Multi-Task Learning via the Generalization Perspective
von: Phan, Hoang, et al.
Veröffentlicht: (2022)

Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining
von: Sow, Daouda, et al.
Veröffentlicht: (2025)

Post-Training as Reweighting: A Stochastic View of Reasoning Trajectories in Language Models
von: Bu, Dake, et al.
Veröffentlicht: (2025)

Meta-GCN: A Dynamically Weighted Loss Minimization Method for Dealing with the Data Imbalance in Graph Neural Networks
von: Mohammadizadeh, Mahdi, et al.
Veröffentlicht: (2024)

Residual Reweighted Conformal Prediction for Graph Neural Networks
von: Zhang, Zheng, et al.
Veröffentlicht: (2025)

REMEDI: Relative Feature Enhanced Meta-Learning with Distillation for Imbalanced Prediction
von: Liu, Fei, et al.
Veröffentlicht: (2025)

GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning
von: Zeng, Fanlong, et al.
Veröffentlicht: (2025)

Simplicial SMOTE: Oversampling Solution to the Imbalanced Learning Problem
von: Kachan, Oleg, et al.
Veröffentlicht: (2025)

Rethinking Data Curation in LLM Training: Online Reweighting Offers Better Generalization than Offline Methods
von: Zhao, Wanru, et al.
Veröffentlicht: (2026)

DreamPRM: Domain-Reweighted Process Reward Model for Multimodal Reasoning
von: Cao, Qi, et al.
Veröffentlicht: (2025)

Rethinking Inverse Reinforcement Learning: from Data Alignment to Task Alignment
von: Zhou, Weichao, et al.
Veröffentlicht: (2024)

Machine Unlearning in Contrastive Learning
von: Wang, Zixin, et al.
Veröffentlicht: (2024)

DAPS++: Rethinking Diffusion Inverse Problems with Decoupled Posterior Annealing
von: Chen, Hao, et al.
Veröffentlicht: (2025)

Rethinking Independent Cross-Entropy Loss For Graph-Structured Data
von: Miao, Rui, et al.
Veröffentlicht: (2024)

Rethinking Losses for Diffusion Bridge Samplers
von: Sanokowski, Sebastian, et al.
Veröffentlicht: (2025)

Representation Collapsing Problems in Vector Quantization
von: Zhao, Wenhao, et al.
Veröffentlicht: (2024)

TypeBandit: Type-Level Context Allocation and Reweighting for Effective Attribute Completion in Heterogeneous Graph Neural Networks
von: Wang, Ta-Yang, et al.
Veröffentlicht: (2026)

On the Necessity of Output Distribution Reweighting for Effective Class Unlearning
von: Ebrahimpour-Boroojeny, Ali, et al.
Veröffentlicht: (2025)

Geometric Manifold Rectification for Imbalanced Learning
von: Wang, Xubin, et al.
Veröffentlicht: (2026)

NTKMTL: Mitigating Task Imbalance in Multi-Task Learning from Neural Tangent Kernel Perspective
von: Qin, Xiaohan, et al.
Veröffentlicht: (2025)

Class-Imbalanced Graph Learning without Class Rebalancing
von: Liu, Zhining, et al.
Veröffentlicht: (2023)

The Prevalence of Neural Collapse in Neural Multivariate Regression
von: Andriopoulos, George, et al.
Veröffentlicht: (2024)

VL Norm: Rethink Loss Aggregation in RLVR
von: He, Zhiyuan, et al.
Veröffentlicht: (2025)

Revisiting Meta-Learning with Noisy Labels: Reweighting Dynamics and Theoretical Guarantees
von: Zhang, Yiming, et al.
Veröffentlicht: (2025)

A Unified Perspective for Loss-Oriented Imbalanced Learning via Localization
von: Wang, Zitai, et al.
Veröffentlicht: (2023)

Why Do Neural Networks Forget: A Study of Collapse in Continual Learning
von: Zhu, Yunqin, et al.
Veröffentlicht: (2026)

On the Impact of Class Imbalance on the Learning Dynamics of Deep Neural Networks:An Intuitive Insight
von: Mustapha, Ismail B., et al.
Veröffentlicht: (2026)

Expected Return Causes Outcome-Level Mode Collapse in Reinforcement Learning and How to Fix It with Inverse Probability Scaling
von: Sinha, Abhijeet, et al.
Veröffentlicht: (2026)

BalanceBenchmark: A Survey for Multimodal Imbalance Learning
von: Xu, Shaoxuan, et al.
Veröffentlicht: (2025)

Heterogeneous Graph Neural Networks with Loss-decrease-aware Curriculum Learning
von: Wang, Yili
Veröffentlicht: (2024)

rETF-semiSL: Semi-Supervised Learning for Neural Collapse in Temporal Data
von: Xie, Yuhan, et al.
Veröffentlicht: (2025)

IFFair: Influence Function-driven Sample Reweighting for Fair Classification
von: Yang, Jingran, et al.
Veröffentlicht: (2025)

A Unified Noise-Curvature View of Loss of Trainability
von: Baveja, Gunbir Singh, et al.
Veröffentlicht: (2025)

SamGoG: A Sampling-Based Graph-of-Graphs Framework for Imbalanced Graph Classification
von: Wang, Shangyou, et al.
Veröffentlicht: (2025)