Mixup Technique in Class-Imbalanced Datasets : Analysis of Classification Performance Improvement and α Parameter Optimization
Jeong-Won Im, Cheol Il Lim, Tae Young Kim, Myung-Jin Chung · Journal of Korean institute of intelligent systems · 2025
본 연구는 의료 영상 데이터의 클래스 불균형 문제를 해결하기 위해 mixup 기법을 적용하여 클래스 불균형이 큰 피부 병변 데이터셋에서 분류 성능을 향상시켰다. 클래스 비율이 최대 67%, 최소 1.1%로 불균형을 보이는 환경에서 ResNet-50, RegNetY-320, EfficientNet-B4 모델을 이용해 mixup의 효과를 체계적으로 검증하였다. 두 이미지가 혼합되는 비율인 λ의 분포를 제어하는 Beta(α, α) 분포의 α값을 0.2부터 다양하게 변형하여 혼합 강도의 영향을 분석하였다. 실험 결과, ResNet-50, RegNetY-320, EfficientNet-B4에서 baseline 대비 정확도가 각각 최대 6.7%, 3.7%, 6.8% 향상되었으며, α=0.2-0.4 범위에서 U-형 Beta 분포의 강한 혼합이 소수 클래스의 재현율을 효과적으로 강화하였다. 이는 mixup이 다양한 모델 구조에서 일관된 성능 향상을 달성하며, 의료 영상 분석의 범용적 데이터 증강 전략임을 입증한다. 향후 연구에서는 CutMix, SMOTE 등 다른 증강 기법과의 결합 및 다양한 의료 데이터셋으로의 확장을 통해 일반화성을 강화할 계획이다.