.png){kind=icon}
返回
GDHS: An efficient hybrid sampling method for multi-class imbalanced data classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130088.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多分类不平衡数据已引起不平衡学习领域的日益关注。近年来涌现出多种方法，每种方法在特定场景下均表现出优越性。然而，这些方法通常面临多类别之间复杂相关性的挑战，而类别之间难以处理的数据重叠问题为建模类别间关系带来了额外困难。为此，本文提出了一种高效混合采样方法GDHS，用于多分类不平衡数据分类。该方法在少数类过采样时同时考虑了学习难度和泛化潜力，此外，还考虑了类别间的重叠问题，引入多数类清洗策略以增强各类别的可见度及学习性能。具体而言，该方法提出了三种用于处理类别重叠问题的清洗策略：(1)基于自内类别重叠信息的多数类清洗；(2)基于全局重叠信息的多数类清洗；(3)平衡多数类清洗。在20个数据集上的数值实验表明，与12种当前先进方法相比，所提出的方法在mGM和MAUC指标上具有优越性。所提出的GDHS方法的Python实现代码可从https://github.com/ytyancp/GDHS获取。
Keyword:
Multi-class
Imbalanced data
Classification
Hybrid sampling
Overlapping
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
分享收藏A dynamic over-sampling procedure based on sensitivity for multi-class problems.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Feature selection and its combination with data over-sampling for multi-class imbalanced datasets多类不平衡数据集的特征选择及其与数据过采样的结合
PREAI
分享收藏Global-local information based oversampling for multi-class imbalanced data基于全局-局部信息的多类不平衡数据过采样
PREAI
分享收藏
查看更多内容