.png){kind=icon}
返回
Data-Driven Robust Optimization Neural Network Method for Imbalanced Data Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3677175.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
不平衡数据分类是神经网络学习中的一个热门话题。当前的神经网络方法依赖重加权与重采样技术来解决不平衡数据问题，但在多样化的不平衡数据分布下表现出不一致的再平衡行为，易导致学习性能波动。鲁棒优化通过增强神经网络鲁棒性有望缓解这些问题，但在不平衡学习领域，如何设计不确定集仍是一个开放性问题。本文提出了一种面向不平衡数据分类的新型数据驱动鲁棒优化神经网络方法。具体而言，我们设计了一个更具侵略性的局部跨度空间来生成不确定集中的新少数样本，为少数类再平衡提供具有鲁棒性增强特性的最大不确定集。我们通过预训练分类模型获得更稳定的初始状态后执行鲁棒优化，并将分布差异约束替换为新型模型评估约束以保留数据分布的局部细节。最大不确定集生成的样本进一步用于微调延迟鲁棒性增强神经网络，在经验风险最小化下实现局部数据扰动的适应。我们在多种不同不平衡配置的数据集上验证了所提方法，测试结果表明其优于现有最先进的再平衡方法，揭示了鲁棒性增强是提升不平衡学习稳定性的重要因素。
Keyword:
Imbalanced data classification
neural network
data-driven robust optimization
maximum uncertain set
learning performance fluctuation
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
分享收藏GMMSampling: a new model-based, data difficulty-driven resampling method for multi-class imbalanced data.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Dynamically Weighted Balanced Loss: Class Imbalanced Learning and Confidence Calibration of Deep Neural Networks动态加权平衡损失: 深度神经网络的类不平衡学习和置信度校准
PREAI
分享收藏
查看更多内容