.png){kind=icon}
返回
Multilevel Sampling Adaptation Ensemble Framework for Imbalanced Data Stream Binary Classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.116140.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种多级采样自适应集成（MSAE）框架，用于解决不平衡数据流中的复合非平稳性问题。• 一种动态漂移自适应机制量化漂移严重程度，并在演化的数据分布下指导自适应模型更新。• 一种强度感知数据增强策略自适应地利用历史少数类实例来提高少数类学习性能。• 一种三级集成架构整合全局、专家和局部学习器，以在不同时间尺度上捕获互补知识。• 在32个基准数据流上的大量实验证明了MSAE相对于九种最先进方法的有效性和鲁棒性。
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
Entropy-based fuzzy 1norm twin random vector functional link networks for binary class imbalance learning基于熵的模糊1范数双子随机向量函数链接网络用于二元类别不平衡学习
.png){kind=icon}
PREAI
分享收藏Effectiveness of data resampling and ensemble learning in multiclass imbalance learning数据重采样和集成学习在多类不平衡学习中的有效性
OAAI
OAAI分享收藏
Pro-IDD: Pareto-based ensemble for imbalanced and drifting data streamsPro-idd: 基于帕累托的不平衡和漂移数据流集成
PREAI
分享收藏
查看更多内容