.png){kind=icon}
返回
Contribution-based imbalanced hybrid resampling ensemble
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111553.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
重采样是解决数据不平衡问题的有效方法。现有方法通过描述信息或噪声来调整数据分布，并在许多场景中表现出优越性。然而，当前研究面临同时考虑信息和噪声的挑战，因为噪声样本通常具有高信息水平，可能导致误估计。本文提出了一种基于贡献的混合重采样集成（CHRE）方法，用于解决信息与噪声之间的相关性问题。CHRE是一种基于新型全局统一数据评估（GUDE）框架的半监督算法。首先，GUDE通过重新定义信息水平和噪声水平来描述样本贡献。随后，基于样本贡献，CHRE移除具有负贡献的多数类样本，并对少数类样本进行过采样。同时，与这些少数类样本相关的伪标签被纳入过采样过程。在整个过程中，CHRE根据样本贡献进行重采样并优化模型。GUDE基于模型反馈提供样本贡献，两者相互作用以实现迭代优化。在53个基准数据集上进行了广泛的实验，涉及三种基分类器和13种当前最先进的欠采样算法。结果表明CHRE具有显著优势。噪声研究进一步表明CHRE具有高鲁棒性。
Keyword:
Class-imbalanced learning
Hybrid resampling
Sample contribution
Ensemble learning
Semi-supervised Learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
A study of the behavior of several methods for balancing machine learning training data平衡机器学习训练数据的几种方法的行为研究
PREAI
分享收藏分享收藏分享收藏A balanced random learning strategy for CNN based Landsat image segmentation under imbalanced and noisy labels不平衡噪声标签下基于CNN的Landsat图像分割的平衡随机学习策略.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容