Adaptive Progressive Optimization Ensemble Approach for High-Dimensional Imbalanced Data Classification

doi:10.1109/tkde.2026.3718697

Adaptive Progressive Optimization Ensemble Approach for High-Dimensional Imbalanced Data Classification

2026-07-30

0

PRE

AI

陈晨 (C. L. Philip Chen)

DOI：10.1109/tkde.2026.3718697

原文链接

原文求助

摘要

En 中文

高维不平衡数据存在大量无效特征和类别不平衡问题，使得分类器难以获得理想结果。与单一分类器相比，分类器集成具有提升性能的巨大潜力。本文针对高维不平衡数据分类问题，设计了一种自适应渐进优化集成方法（APOEA）。首先，设计了一种局部子视图优化（LSO），使每个集成成员能够专注于学习不同局部区域的信息，从而在保持多样性的同时实现降维。然后，开发了一种自适应关键子视图优化（ACSO）用于补充学习，能够自适应地识别适合的关键区域并执行关键子视图优化。最后，基于关键子视图，APOEA实施了一种过采样方案，以减轻类别不平衡对基分类器的影响。实验结果表明，本文提出的APOEA优于其他主流不平衡学习算法。

Keyword:

Class imbalance

classifier ensemble

adaptive progressive optimization

high-dimensional data

Adaptive Progressive Optimization Ensemble Approach for High-Dimensional Imbalanced Data Classification

摘要

期刊

机构

引用论文