Cost-sensitive fuzzy rough learning for multi-class imbalanced data classification

Yang Tian

doi:10.1016/j.ijar.2026.109784

Cost-sensitive fuzzy rough learning for multi-class imbalanced data classification

2026-07-01

0

PRE

AI

DOI：10.1016/j.ijar.2026.109784

原文链接

原文求助

摘要

En 中文

不平衡数据在许多实际应用中提出了重大挑战，其中少数类通常具有关键重要性但代表性不足。当数据涉及多类别时，问题变得更加复杂。目前已有多种方法用于多类别不平衡问题。然而，大多数方法将问题转化为多个二分类任务，难以完全捕捉多类别数据的原始分布。本文旨在通过提出一种基于模糊粗糙集的方法来解决这个问题，该方法关注类别与特征之间的内在关系（类别-特征关系）。为克服欧氏距离在不平衡数据集中的局限性（其对单个特征的尺度敏感），我们引入标准化欧氏距离，并基于此提出相应的模糊粗糙集。利用下近似和上近似算子，我们定义了每个特征下样本的类内和类间确定性，并通过加权每个特征的重要性将其融合为预测隶属度。结合代价敏感策略，我们构建了一个代价加权的目标函数，该函数可通过经典梯度方法轻松求解，实现高效权重调整和算法开发。随后，利用最优权重和对应的代价向量提出了预测算法。在13个不平衡数据集上与8种代表性算法进行的数值实验证明了所提出方法的有效性。

Keyword:

Fuzzy rough set

Imbalanced classification

Multi-class tasks

Cost-sensitive learning

Cost-sensitive fuzzy rough learning for multi-class imbalanced data classification

摘要

期刊

机构

引用论文