.png){kind=icon}
返回
Enhanced instance selection for large-scale data using integrated clustering and autoencoder techniques
.png){kind=icon}
PRE
AI
DOI：10.1007/s41060-025-00794-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实例选择在提高机器学习模型效率方面起着关键作用，尤其是在处理大型数据集时。传统的实例选择方法在平衡数据缩减与保留关键信息方面常常面临挑战，特别是在高维和复杂数据集中。本文介绍了一种新颖的方法——基于聚类和自动编码器的实例选择（CAIR），该方法专为大规模数据设计。CAIR通过整合聚类技术对相似数据点进行分组，并利用自动编码器在降维的同时保留关键的边界实例，从而弥补了文献中的关键空白。与主要关注边界实例或内部实例的传统方法不同，CAIR能够有效平衡冗余数据的移除与对分类至关重要的实例的保留。在KEEL数据仓库的24个大型数据集上的实验结果表明，与包括k近邻（KNN）、编辑近邻（ENN）、DROP3、ATISA1和RIS在内的最先进方法相比，CAIR在实现更优数据缩减的同时保持了高分类精度。CAIR通过提供一种在不牺牲性能的情况下有效解决大规模数据缩减问题的方案，填补了重要的空白。
Keyword:
Instance selection
Large data
Clustering
Autoencoder
Classification
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
A MapReduce‐based parallel K‐means clustering for large‐scale CIM data verification基于MapReduce的并行K‐means聚类用于大规模CIM数据验证
OAAI
.png){kind=icon}
OAAI分享收藏Democratic instance selection: A linear complexity instance selection algorithm based on classifier ensemble concepts民主实例选择: 基于分类器集成概念的线性复杂度实例选择算法OAAI
OAAI分享收藏
Evolutionary Instance Selection With Multiple Partial Adaptive Classifiers for Domain Adaptation多部分自适应分类器用于领域适应的进化实例选择
PREAI
分享收藏
查看更多内容