Graph-Based Mutually Supervised Heterogeneous Ensemble Learning for Class-Imbalance Data

Qi Dai

doi:10.1109/tsmc.2026.3713998

Graph-Based Mutually Supervised Heterogeneous Ensemble Learning for Class-Imbalance Data

2026-07-23

0

PRE

AI

DOI：10.1109/tsmc.2026.3713998

原文链接

原文求助

摘要

En 中文

传统同质集成学习方法通过扰动训练数据集或改变实例权重来提高模型性能，而其对应方法——使用不同基分类器的异质集成学习方法，则是提高模型多样性的另一种途径。然而，如何正确选择具有互补性和多样性的基分类器是异质集成学习面临的挑战。受特征增强堆叠的启发，我们提出了一种基于图的相互监督异质集成学习（GMSHE）模型。该方法利用相互监督学习的思想，通过在Bagging获取的数据子集上采用不同的数据增强方法来平衡训练数据。然后，使用特征增强堆叠评估模型间的影响，并建立基分类器池的全局有向图。最后，采用轮盘赌搜索全局有向图中的最佳基分类器组合，并通过投票整合基分类器的结果。此外，在图构建过程中，根据不同评估模型的性能变化确定最优分类器组合，这有助于降低过拟合风险。在20个数据集上的实验结果表明，与另外七种集成学习方法相比，GMSHE的性能优于其他现有方法。

Keyword:

Ensemble learning

feature-enhanced stacking

heterogeneous ensemble learning

imbalanced data

mutually supervised learning

Graph-Based Mutually Supervised Heterogeneous Ensemble Learning for Class-Imbalance Data

摘要

期刊

机构

引用论文