.png){kind=icon}
返回
Classifier Ensemble Based on Multiview Optimization for High-Dimensional Imbalanced Data Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2022.3177695.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维类不平衡数据严重困扰着分类算法的性能。由于大量的冗余/无效特征和类不平衡问题，难以为高维不平衡数据构造最优分类器。分类器集成引起了广泛的关注，因为它可以实现比单个分类器更好的性能。在这项工作中，我们提出了一种多视图优化 (MVO)，以从高维不平衡数据中学习更有效，更鲁棒的特征，并在此基础上设计了准确，鲁棒的集成系统。具体而言，首先提出了MVO中的优化子视图生成 (OSG)，以从不同场景生成多个优化子视图，从而可以增强特征的分类能力并同时增加集合成员的多样性。其次，开发了一种新的评估标准，该标准考虑了每个优化子视图中数据的分布，并基于该标准设计了优化子视图的选择性集成 (seo) 来执行子视图的选择性集成。最后，在优化的视图上执行过采样方法，以获得用于分类器的新类重新平衡的子集。在25个高维类不平衡数据集上的实验结果表明，该方法优于其他主流分类器集成方法。
Keyword:
Feature extraction
Optimization
Costs
Learning systems
Diversity reception
Data mining
Convolutional neural networks
Class imbalanced data
classification
ensemble learning
high-dimensional data
subview optimization
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
分享收藏A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏ACOSampling: An ant colony optimization-based undersampling method for classifying imbalanced DNA microarray dataNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Radial-Based oversampling for noisy imbalanced data classification基于径向过采样的噪声不平衡数据分类NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容