.png){kind=icon}
返回
Solving Data Overlapping Problem Using A Class-Separable Extreme Learning Machine Auto-Encoder
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202400255.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据重叠和不平衡数据是数据分类中的重大挑战。极限学习机自编码（ELM-AE）是一种特征降维方法，它将原始特征转换为一组新的特征，以捕捉数据中的关键信息。然而，ELM-AE可能无法有效解决数据重叠问题。本研究提出了一种名为类别可分极限学习机自编码（CS-ELM-AE）的新方法，旨在提高ELM-AE在解决数据重叠问题上的有效性，从而提升分类效率。CS-ELM-AE将数据集中同一类别的点编码为更接近彼此。此外，还通过对编码后的数据集进行过采样来解决不平衡数据问题。实验表明，CS-ELM-AE能够显著提升分类模型的性能，并实现比原始ELM-AE更高的准确率、f1-score值和G-mean值。
Keyword:
auto-encoding
data classification
data overlapping
extreme learning machine auto-encoding
imbalanced data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.1
论文数:
2.0K
被引数:
8.4K
机构
暂无机构信息
引用论文
Discriminative feature selection with directional outliers correcting for data classification.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏Arsenic removal from aqueous solutions by adsorption using novel MIL-53(Fe) as a highly efficient adsorbent使用新型MIL-53(Fe) 作为高效吸附剂通过吸附从水溶液中去除砷RSC Advances
RSC AdvancesIF0
PREAI
分享收藏Creating synthetic minority class samples based on autoencoder extreme learning machinePATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏A post-processing framework for class-imbalanced learning in a transductive setting在转导环境中进行课堂不平衡学习的后处理框架
PREAI
分享收藏Supervised Extreme Learning Machine-Based Auto-Encoder for Discriminative Feature LearningIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容