في السنوات الأخيرة، زاد الاهتمام البحثي بتأثير عدم التوازن في الفئات على الشبكات العصبية العميقة (Deep Neural Networks - DNNs). ورغم ذلك، لا يزال هناك الكثير من الغموض حول أسباب الأداء الضعيف لنماذج DNN عندما تواجه بيانات غير متوازنة، مما يستدعي ضرورة فهم أفضل لهذه الظاهرة الطويلة الأمد.

تسعى هذه الدراسة لاستكشاف تأثير عدم التوازن في الفئات على ديناميكيات تعلم الشبكات العصبية العميقة بطريقة منهجية، عبر مراقبة نمط التعلم لنماذج DNN عند التعامل مع الفئات الغالبة والفئات الأقل عدداً في مجموعات بيانات تتفاوت في نسب عدم التوازن.

تشير النتائج التجريبية إلى أن التعلم من مجموعات بيانات متوازنة يمكّن نماذج DNN من التعلم للجميع كالفئات بشكل متساوٍ، بينما يؤثر عدم التوازن بشكل مدمر على أداء النموذج، مما يؤدي إلى تجاهل الفئات الأقل تمثيلاً في المراحل الأولى من التدريب. وتستمر نماذج DNN في تعلم الفئات الغالبة فقط.

على الرغم من أن DNN يتمكن في النهاية من تعلم نماذج الفئات الأقل تمثيلاً، إلا أن هذا التعلم يحدث بطريقة تجعل التمثيلات المتعلمة لها غير قابلة للتعميم في مرحلة الاختبار، حيث تُعتبر تلك التمثيلات مُفرطة الملاءمة تهدف فقط للحفاظ على خسارة التدريب الإجمالية منخفضة قدر الإمكان.

إن فهم تأثير عدم توازن الفئات ليس مجرد مسألة أكاديمية، بل هو ضرورة لتطوير أساليب فعالة قائمة على DNN لمعالجة البيانات غير المتوازنة وتعزيز أداء النماذج.