A multi-layer Bayesian trial-and-error learning algorithm for imbalanced classification

Yixin Ji

doi:10.1016/j.engappai.2026.114444

A multi-layer Bayesian trial-and-error learning algorithm for imbalanced classification

2026-03-10

0

PRE

AI

DOI：10.1016/j.engappai.2026.114444

原文链接

原文求助

摘要

En 中文

特征优化、采样策略和分类器对于提升不平衡分类中少数类别的识别至关重要。然而，现有方法通常独立选择这些技术，导致组合不足，从而无法有效适应多个不平衡数据集。因此，我们提出了一种多层数学贝叶斯试错学习算法（MBTE），以促进协同选择和组合优化。MBTE的核心工作原理是一种用于协同选择的多层贝叶斯决策方案（BMDC），其中每一层的选则依赖于前一层的输出结果。为评估BMDC选择的组合，采用了一种基于加权多指标奖励函数方案（WMRS），基于多个加权指标量化组合的奖励。此外，一种基于汤普森采样的最优探索策略方案（TSOE）探索了组合的多样性，使选择策略得以优化。通过这三种方案，MBTE能够优化决策过程，为不平衡分类选择最优组合。最后，实验结果表明，在12个公开不平衡数据集上，MBTE通过三种广泛使用的分类评估指标优于当前先进算法。为进一步验证MBTE的性能，我们还讨论了多层结构顺序、奖励函数和探索策略的影响。结果表明MBTE的有效性，其可扩展应用于人工智能（AI）的某些领域，如疾病诊断和事件检测。

Keyword:

imbalanced classification

Bayesian optimization

feature optimization

sampling strategies

classifier selection

A multi-layer Bayesian trial-and-error learning algorithm for imbalanced classification

摘要

期刊

机构

引用论文