.png){kind=icon}
返回
Prototype reduction method based on accelerated binary bare-bone particle swarm optimization for instance-based classifiers
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07518-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
原型约简方法作为一种重要的数据预处理任务，可以通过去除可疑噪声和/或冗余样本来提升基于实例的分类器。近年来，一系列采用传统启发式策略或进化算法的传统非进化或进化原型约简方法已被开发。尽管这些方法展示了有竞争力的性能，但仍存在以下问题：(a) 几乎所有传统的非进化原型约简方法严重依赖于关于几何和类别信息的特定假设，导致鲁棒性低；(b) 大多数进化原型约简方法在训练集样本数量增加时，可能面临搜索效率的巨大挑战，导致扩展和应用困难；(c) 大多数进化原型约简方法需要设置过多参数，导致性能不稳定。为通过克服上述问题来提升原型约简方法的当前技术水平，提出了一种基于加速二进制粒子群（PRAB3PSO）的新型原型约简方法。其主要创新点如下：首先，提出了一种具有新的搜索空间缩减策略和新的粒子更新机制的新型加速二进制裸骨架粒子群优化算法（AB3PSO）。其次，利用AB3PSO从原始训练集中无假设、少参数地选择全局最优约简集。大量实验证明：(a) PRAB3PSO在UCI数据集上，通过权衡三种基于实例的分类器的实例约简率和分类准确率，优于八个当前最先进（state-of-the-art）的非进化或进化原型约简方法；(b) PRAB3PSO比当前最先进的进化原型约简方法更快。
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
.png){kind=icon}
A transfer learning framework towards identifying behavioral changes of fraudulent publishers in pay-per-click model of online advertising for click fraud detection用于点击欺诈检测的在线广告按点击付费模型中识别欺诈发布者行为变化的迁移学习框架
PREAI
分享收藏Instance selection for time series classification based on immune binary particle swarm optimization基于免疫二进制粒子群算法的时间序列分类实例选择
PREAI
分享收藏
查看更多内容