Imbalanced Self-Supervised Lernen: Entdeckung eines skalierten Autoencoders für gemischte tabellarische Datensätze

Der Kern dieser Arbeit ist die Untersuchung der spezifischen Herausforderungen, die durch Datenungleichgewicht beim selbstüberwachten Lernen im Bereich tabellarischer Daten, insbesondere bei Autoencodern, entstehen. Es wird ein neuartiges Maß zur Ausgewogenheit des Lernens vorgeschlagen: eine mehrfach überwachte ausgewogene mittlere quadratische Abweichung (MSE).