Variance-constrained multi-view ensemble broad network for imbalanced data

Dong, Ziyang

doi:10.1016/j.neunet.2026.109317

Variance-constrained multi-view ensemble broad network for imbalanced data

2026-07-01

0

PRE

AI

陈晨 (C. L. Philip Chen)

DOI：10.1016/j.neunet.2026.109317

原文链接

原文求助

摘要

En 中文

在数据分类领域，经典广学习系统（BLS）的性能因数据分布显著差异而受到负面影响。这导致与其它传统技术类似，偏向于多数类别。为克服这一固有局限性，本研究引入了方差约束多视角集成广网络（VMEB）。首先，VMEB利用最小类别方差和类别特定正则化策略构建每个类别的散布矩阵，从而增强模型对少数类别的表达能力。随后，我们引入一种增强型核映射技术，以解决BLS中的不确定随机映射问题。该技术通过高斯函数和反余弦函数的线性组合生成确定性隐藏节点，实现更稳健的特征表示。此外，为克服单个分类器的泛化局限性，VMEB将增强型核模型嵌入多视角集成框架。该框架采用特征旋转策略生成多样化视角，迫使每个基分类器从不同角度学习，并通过多数投票实现高度稳健的最终决策。在25个不平衡数据集上的广泛实验表明，VMEB相较于基线方法平均AUC提升4.35%。这些结果证实了VMEB在处理不平衡数据分类任务中的有效性。

Keyword:

Broad learning system

Imbalance learning

Ensemble learning

Kernel learning

Variance-constrained multi-view ensemble broad network for imbalanced data

摘要

期刊

机构

引用论文