.png){kind=icon}
返回
Compositional feature augmentation for improving multi-class classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108519.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期关于多分类的研究取得了显著进展。然而，许多方法仍存在准确率不理想、计算成本高以及类别特定特征表示不足的问题。为解决这些问题，我们提出了一种简单而有效的多分类框架，称为组合特征增强（CFA）。通过将每个原始特征转化为类别层面的后验组合，CFA以模型无关且边际学习的方式捕捉判别信息。为增强鲁棒性，我们引入了一种投票机制，该机制聚合了通过随机子采样生成的多个增强特征集的预测结果。这种集成方法稳定了结果并缓解了边际学习中的噪声。CFA与标准分类器兼容，包括逻辑回归、SVM、神经网络等。在结构化和深度嵌入数据集上的大量实验表明，CFA提高了准确率，特别是在原始特征未经精细处理时，同时当已有强嵌入时也能保持有竞争力的性能。
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
分享收藏MTKSVCR: A novel multi-task multi-class support vector machine with safe acceleration rule.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Hybrid decision tree and naive Bayes classifiers for multi-class classification tasks用于多类分类任务的混合决策树和朴素贝叶斯分类器
PREAI
分享收藏分享收藏
Feature selection and its combination with data over-sampling for multi-class imbalanced datasets多类不平衡数据集的特征选择及其与数据过采样的结合
PREAI
分享收藏
查看更多内容