.png){kind=icon}
返回
DEEL: An imbalanced binary data classification method based on diffusion model data augmentation and multi-objective optimization ensemble
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104537.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种新颖的 imbalance data 分类框架，Diffusion-Enhanced Ensemble Learning (DEEL)，集成了动态数据增强和集成学习。
• 引入了一种 Dynamic Attention Diffusion Model (DADM)，通过前向噪声注入和反向去噪增强合成少数样本的质量，确保数据多样性和真实性。
• 采用基于 NSGA-II 的多目标优化和加权集成融合来缓解噪声、偏差和数据稀缺问题，提高少数类识别和整体分类性能。
• 在 26 个真实世界数据集上表现出卓越性能，显著优于传统的和最先进的过采样与 imbalance 分类方法。
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
引用论文
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications生成对抗网络研究综述: 算法、理论与应用
OAAI
OAAI分享收藏分享收藏A survey on imbalanced learning: latest research, applications and future directions不平衡学习: 最新研究、应用与未来方向OAAI
OAAI分享收藏分享收藏A Systematic Literature Review on AI Approaches To Address Data Imbalance In Machine Learning关于解决机器学习中数据不平衡的AI方法的系统文献综述.png)
IF0
PREAI
分享收藏A novel two-phase clustering-based under-sampling method for imbalanced classification problems
PREAI
分享收藏
查看更多内容