Adaptive collaborative minority oversampling for multi-class imbalanced classification

Su-Yang Zheng

doi:10.1007/s10994-025-06899-7

Adaptive collaborative minority oversampling for multi-class imbalanced classification

2025-10-10

0

PRE

AI

DOI：10.1007/s10994-025-06899-7

原文链接

原文求助

摘要

En 中文

多类分类任务在实际应用中常遇到数据不平衡问题，错误分类少数类会导致严重损失。尽管线性插值是解决类别不平衡问题的有效过采样方法，但它倾向于生成噪声和重叠样本。为应对这些挑战，我们提出了一种自适应协作少数类过采样（ACo-MO）方法，专门针对多类不平衡分类设计。与现有依赖k近邻选择和生成样本的过采样方法不同，我们的方法首先利用提升（boosting）技术识别难以分类的样本（如靠近决策边界和位于小离散集的样本），该策略确保少数类边界得到有效扩展。随后，我们引入少数类的全局分布，并与提升迭代协作合成样本，自适应地调整插值范围以减少噪声生成。此外，合成样本允许在选定样本的邻域内进行插值，而不仅限于线性路径，从而降低合成样本之间的重叠概率。我们通过在23个数据集上进行广泛实验验证了ACo-MO的有效性，结果表明其在三项性能指标上优于十种当前最先进的多类不平衡分类方法。

Keyword:

Multi-class imbalanced classification

Ensemble learning

Collaborative oversampling

Adaptive interpolation

Adaptive collaborative minority oversampling for multi-class imbalanced classification

摘要

期刊

机构

引用论文