检索结果-内蒙古大学图书馆

系统工程 2025年第2期 1-14页

作者：李大元颜卓惠曾阳艳中南大学商学院湖南工商大学前沿交叉学院

为了保障企业的财务健康，准确且有效的财务困境预测模型至关重要。然而，类别不平衡和概念漂移是财务困境预测领域需要解决的两个关键问题。为此，本文基于代价敏感学习和带时间加权的Adaboost方法提出了一种兼顾类别不平衡和概念漂移... 详细信息

为了保障企业的财务健康，准确且有效的财务困境预测模型至关重要。然而，类别不平衡和概念漂移是财务困境预测领域需要解决的两个关键问题。为此，本文基于代价敏感学习和带时间加权的Adaboost方法提出了一种兼顾类别不平衡和概念漂移的动态财务困境预测方法，并在2005年至2022年间中国上市公司的动态不平衡数据集上进行了实证分析。结果表明，该方法在动态不平衡数据集上的预测性能优于改进前的模型，能够同时处理财务困境预测领域的概念漂移问题和数据分布不平衡问题。

关键词：动态财务困境预警不平衡数据概念漂移代价敏感学习 AdaBoost算法

来源：评论

学校读者我要写书评

暂无评论

代价敏感学习中的损失函数设计

引用

控制理论与应用 2015年第5期32卷 689-694页

作者：李秋洁赵亚琴顾洲南京林业大学机械电子工程学院江苏南京210037 东南大学自动化学院江苏南京210096

一般的学习算法通过最小化分类损失使分类错误率最小化,而代价敏感学习则以最小化分类代价为目标,需构造代价敏感损失.本文探讨代价敏感损失的设计准则,首先介绍基于代价敏感风险优化的代价敏感学习方法,然后在Bayes最优分类理论框架下... 详细信息

一般的学习算法通过最小化分类损失使分类错误率最小化,而代价敏感学习则以最小化分类代价为目标,需构造代价敏感损失.本文探讨代价敏感损失的设计准则,首先介绍基于代价敏感风险优化的代价敏感学习方法,然后在Bayes最优分类理论框架下,提出两条代价敏感损失设计准则.接着采用两种常用代价敏感损失生成方法构造平方损失、指数损失、对数损失、支持向量机损失等经典损失函数的代价敏感扩展形式.根据所提出的设计准则,从理论上分析这些代价敏感损失的性能.最后通过实验表明,同时满足两条设计准则的代价敏感损失能有效降低分类代价,从而证明了本文提出的代价敏感损失设计准则的合理性.

关键词：学习算法代价敏感学习损失函数 Bayes最优决策代价敏感损失

来源：评论

学校读者我要写书评

暂无评论

基于代价敏感学习的不平衡虚假评论处理模型

引用

数据分析与知识发现 2023年第6期7卷 113-122页

作者：刘美玲尚玥赵铁军周继云东北林业大学信息与计算机工程学院哈尔滨150006 哈尔滨工业大学计算机科学与技术学院哈尔滨150001 约翰·霍普金斯大学利伯研究所巴尔的摩MD21218

【目的】增强虚假评论识别任务中模型对文本深层语义信息的学习能力,并解决虚假评论识别任务中存在的严重的数据不平衡问题。【方法】基于数据本身的用户行为特征与文本特征进行类间可分性计算自动学习代价敏感矩阵,增强模型对不平衡数... 详细信息

【目的】增强虚假评论识别任务中模型对文本深层语义信息的学习能力,并解决虚假评论识别任务中存在的严重的数据不平衡问题。【方法】基于数据本身的用户行为特征与文本特征进行类间可分性计算自动学习代价敏感矩阵,增强模型对不平衡数据的学习能力;同时利用BERT在文本编码方面的能力进一步优化模型。【结果】在YelpCHI数据集上进行实验,对比现有先进方法(En-HGAN),本文模型的F1值提升了约18个百分点,AUC值提升了约12个百分点。【局限】未将所提模型应用到更多的研究领域中。【结论】将用户行为特征与评论文本特征看作虚假评论类与真实类之间的特征集合进行类别可分性计算能够有效提高模型对虚假评论识别的性能。

关键词：虚假评论识别类别可分性计算代价敏感学习不平衡数据处理

来源：评论

学校读者我要写书评

暂无评论

代价敏感学习和类别不平衡学习研究

代价敏感学习和类别不平衡学习研究

引用

作者：刘胥影南京大学

学位级别：硕士

在真实世界的分类问题中，不同的分类错误往往会带来显著不同的损失，而且不同类别样本的数目往往有显著的差别。传统的机器学习研究假定所有的分类错误会带来相同的损失，而且不同类别的样本数基本相同。因此，为了更好地解决真实世界... 详细信息

在真实世界的分类问题中，不同的分类错误往往会带来显著不同的损失，而且不同类别样本的数目往往有显著的差别。传统的机器学习研究假定所有的分类错误会带来相同的损失，而且不同类别的样本数基本相同。因此，为了更好地解决真实世界的问题，代价敏感学习和类别不平衡学习成为目前国际机器学习界的两个研究热点。\n 本文对代价敏感学习和类别不平衡学习进行了研究，主要取得了以下一些创新成果：\n 1．提出一种基于κ—近邻的代价敏感学习算法，通过对示例加权的方式使高代价的样本具有较大的权值，从而使得分类器对代价敏感。实验结果表明，该算法可以有效地降低总体代价。\n 2．提出了两种基于集成的类别不平衡学习算法，通过充分利用训练样本，在保持欠取样方法的高效性的同时，弥补了欠取样方法不能充分利用训练样本的不足。研究表明，这两种算法均可有效提高欠取样方法的性能。\n 3．通过考察类别不平衡学习算法在解决代价敏感学习问题时的有效性，对代价敏感学习和类别不平衡学习之间的关系进行了深入研究。研究结果表明，代价敏感问题和类别不平衡问题具有不同的性质，或者对解决两类类别不平衡问题有效的算法难以有效解决多类问题。\n 4．对多类代价敏感学习进行了研究，分析了两类代价敏感学习方法直接扩展到多类问题上失效的原因，并给出了判别条件，在此基础上，提出了一种新的多类代价敏感学习方法。实验结果验证了理论分析，并显示出新方法可以有效地进行多类代价敏感学习。

关键词：机器学习代价敏感学习类别不平衡学习

来源：评论

学校读者我要写书评

暂无评论

代价敏感学习中属性约简与决策树分类若干关键问题研究

代价敏感学习中属性约简与决策树分类若干关键问题研究

引用

作者：徐子龙闽南师范大学

学位级别：硕士

数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性信息的过程。数据挖掘又译为资料探勘、数据采矿，是数据库知识发现中的一个步骤。数据挖掘与统计学、机器学习与数据库等理论与技术交叉渗透，有着深刻的研究意义和... 详细信息

数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性信息的过程。数据挖掘又译为资料探勘、数据采矿，是数据库知识发现中的一个步骤。数据挖掘与统计学、机器学习与数据库等理论与技术交叉渗透，有着深刻的研究意义和广泛的研究价值。代价是数据的重要方面。实际应用中常见的代价有测试代价、误分类代价、计算代价和延迟代价等。测试属性需要付出一定代价，我们称之为测试代价。这些代价包括金钱、时间和其它各种资源。当我们对实例做出错误分类的时候，同样也需要付出代价。例如，当医院诊断病人时，如果把有病诊断成健康，这种情况下可能都会付出代价，我们称之为误分类代价。等待而没有做有意义的事情所浪费的时间，我们称为延迟代价。正因为代价在现实中的重要意义，代价敏感学习正在成为数据挖掘中的热点课题。粗糙集理论是数据挖掘的一个重要工具，它在处理不确定数据和不完备信息系统方面具有很大的优势。代价是数据的重要方面，衡量了数据的外部特征。决策粗糙集理论所研究的代价主要是误分类代价。数据的获得需要付出测试代价，因此在粗糙集理论模型中考虑测试代价是现实意义的。这就需要一个能够考虑测试代价和误分类代价两种代价的代价敏感粗糙集模型。建立代价敏感粗糙集模型，并基于此模型研发高性能算法，可以为实际应用中的问题提供一套低代价、低风险的数据挖掘解决方案。在最近的代价敏感粗糙集研究中，已有研究者提出回溯法求解代价敏感粗糙集的最优约简。回溯法是穷举法的一种，它能够找到最优解。但在大数据集上，回溯法无法在可以容忍的时间内给出结果。因此，有学者提出了启发式算法，主要有信息熵启发式算法和遗传算法。但这些算法的效果并不理想，所以本文就提出基于蚁群优化原理和模拟退火原理的算法来解决代价敏感粗糙集中的属性约简或属性选择问题。决策树是数据挖掘和机器学习中一类高效的分类方法。由于代价的重要性，代价敏感决策树的研究成为热点。目前，已有的相关算法处理的都是符号型数据的分类问题。而现实生活中，存在大量的数值型数据，因此，本文基于C4.5算法开发了一套处理数值型数据代价敏感分类问题的决策树算法。本文内容主要包含代价敏感粗糙集的属性约简和代价敏感决策树相关问题的研究。第一部分详细研究了基于代价敏感粗糙集理论的属性约简问题。首先，我们提出了一个基于蚁群优化的算法和一个基于模拟退火原理的算法来解决最小测试代价属性约简问题。实验结果表明，我们算法的效果明显优于已有的启发式算法。其次，我们开发了一个基于模拟退火原理的算法来解决最小代价属性选择问题。这个最小代价属性选择问题是考虑两类代价的属性选择问题。这两类代价是测试代价和误分类代价。实验结果表明，在大多数情况下，新算法的效果优于已有的算法，但还有提升的空间。我们算法在大数据集上的处理时间令人满意。第二部分详细研究了考虑测试代价和误分类代价这两类代价的决策树的分类问题。并且研究了代价敏感决策树的剪枝技术。首先，本文基于C4.5决策树算法提出了一个能够处理代价敏感问题的代价敏感决策树算法。实验表明，我们的代价敏感C4.5可以很好地处理数值型数据的代价敏感分类问题。其次，本文尝试利用竞争方法和后剪枝技术来提高代价敏感决策树的效果。实验结果表明，竞争方法和后剪枝技术能够显著地提高决策树的效果。最后，本文设计了基于概率机制的后剪枝技术来进一步提高代价敏感决策树的质量和分类效果。我们设计了两种概率剪枝技术：静态概率剪枝技术和动态概率剪枝技术。实验结果表明，概率后剪枝技术的效果明显优于无概率后剪枝技术。而动态概率剪枝技术效果尤为明显。动态概率剪枝技术的一个优势是不需要用户的干预。

关键词：代价敏感学习粗糙集属性约简决策树剪枝技术

来源：评论

学校读者我要写书评

暂无评论

基于代价敏感学习的恶意URL检测研究

引用

信息安全学报 2023年第2期8卷 54-65页

作者：蔡勍萌王健李鹏博北京交通大学计算机与信息技术学院北京100044 中电科网络空间安全研究院北京100085

随着大数据时代的到来,恶意URL作为Web攻击的媒介渐渐威胁着用户的信息安全。传统的恶意URL检测手段如黑名单检测、签名匹配方法正逐步暴露缺陷,为此本文提出一种基于代价敏感学习策略的恶意URL检测模型。为提高卷积神经网络在恶意网页... 详细信息

随着大数据时代的到来,恶意URL作为Web攻击的媒介渐渐威胁着用户的信息安全。传统的恶意URL检测手段如黑名单检测、签名匹配方法正逐步暴露缺陷,为此本文提出一种基于代价敏感学习策略的恶意URL检测模型。为提高卷积神经网络在恶意网页检测领域的性能,本文提出将URL数据结合HTTP请求信息作为原始数据样本进行特征提取,解决了单纯URL数据过于简单而造成特征提取困难的问题,通过实验对比了三种编码处理方式,根据实验结果选取了最佳字符编码的处理方式,保证了后续检测模型的效果。同时本文针对URL字符输入的特点,设计了适合URL检测的卷积神经网络模型,为了提取数据深层特征,使用了两层卷积层进行特征提取,其次本文在池化层选择使用BiLSTM算法提取数据的时序特征,同时将该网络的最后一个单元输出达到池化效果,避免了大量的模型计算,保证了模型的检测效率。同时为解决数据样本不均衡问题,在迭代过程中为其分配不同惩罚因子,改进了数据样本初始化权重的分配规则并进行了归一化处理,增加恶意样本在整体误差函数中的比重。实验结果表明本文模型在准确率、召回率以及检测效率上较优于其他主流检测模型,并对于不均衡数据集具有较好的抵抗能力。

关键词：深度学习恶意网页 URL检测代价敏感学习神经网络

来源：评论

学校读者我要写书评

暂无评论

基于演化模式挖掘和代价敏感学习的交通拥堵指数预测

引用

高技术通讯 2020年第9期30卷 918-927页

作者：张翔宇张强吕明琪中国科学院计算技术研究所北京100190 中国科学院大学北京100049 北京赛迪时代信息产业股份有限公司北京100048 浙江工业大学计算机学院杭州310014

交通拥堵指数预测是智能交通系统的核心能力之一。然而,现有方法大多采用回归模型,在长期交通拥堵指数预测任务上表现不佳。针对此问题,本文提出了一种融合演化模式挖掘和代价敏感学习的交通拥堵指数预测方法。首先,采用序列模式挖掘算... 详细信息

交通拥堵指数预测是智能交通系统的核心能力之一。然而,现有方法大多采用回归模型,在长期交通拥堵指数预测任务上表现不佳。针对此问题,本文提出了一种融合演化模式挖掘和代价敏感学习的交通拥堵指数预测方法。首先,采用序列模式挖掘算法从交通拥堵指数历史数据中发现长期演化模式。同时,采用代价敏感学习技术对交通拥堵指数数据与多种时空特征之间的关联进行学习。最后,通过Stacking框架对演化模式挖掘和代价敏感学习的能力进行融合。基于杭州市真实交通拥堵指数数据集进行的实验表明,本文提出的方法对未来5天交通拥堵指数的预测误差比现有方法降低了10%以上。

关键词：交通拥堵指数预测序列模式挖掘代价敏感学习数据融合城市计算

来源：评论

学校读者我要写书评

暂无评论

一种基于重取样的代价敏感学习算法

引用

计算机工程与科学 2011年第9期33卷 130-135页

作者：谷琼袁磊宁彬熊启军华丽李文新襄樊学院数学与计算机科学学院湖北襄阳441053

大多数非均衡数据集的研究集中于纯重构数据集或者纯代价敏感学习,本文针对数据集类分布非均衡和不相等误分类代价往往同时发生这一事实,提出了一种以最小误分类代价为目标的基于混合重取样的代价敏感学习算法。该算法将两种不同类型解... 详细信息

大多数非均衡数据集的研究集中于纯重构数据集或者纯代价敏感学习,本文针对数据集类分布非均衡和不相等误分类代价往往同时发生这一事实,提出了一种以最小误分类代价为目标的基于混合重取样的代价敏感学习算法。该算法将两种不同类型解决方案有机地融合在一起,先用样本类空间重构的方法使原始数据集的两类数据达到基本均衡,然后再引入代价敏感学习算法进行分类,能提高少数类分类精度,同时有效降低总的误分类代价。实验结果验证了该算法在处理非均衡类问题时比传统算法要优越。

关键词：分类非均衡数据集混合重取样代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

基于双重欠采样代价敏感学习的推荐系统虚假用户检测方法

引用

系统科学与数学 2021年第12期41卷 3548-3558页

作者：吕成戍东北财经大学管理科学与工程学院大连116025

当前推荐系统的商业价值日益突显,虚假用户检测成为保障推荐系统信息安全的关键.现有方法忽略了虚假用户检测问题的代价敏感特性,为此提出一种基于双重欠采样代价敏感学习的检测算法.首先对数据集进行双重采样均衡样本集,然后设计动态... 详细信息

当前推荐系统的商业价值日益突显,虚假用户检测成为保障推荐系统信息安全的关键.现有方法忽略了虚假用户检测问题的代价敏感特性,为此提出一种基于双重欠采样代价敏感学习的检测算法.首先对数据集进行双重采样均衡样本集,然后设计动态隶属度代价函数精确地刻画个体样本误分类代价差异.最后,建立代价敏感支持向量机得到检测函数.实验结果表明文章方法在降低总体误分类代价的同时提高了虚假用户的识别率,有效地解决了推荐系统虚假用户检测中的代价敏感问题.

关键词：欠采样代价敏感学习虚假用户信息安全

来源：评论

学校读者我要写书评

暂无评论

基于代价敏感学习的物联网异常检测模型

引用

信息网络安全 2023年第11期23卷 94-103页

作者：廖丽云张伯雷吴礼发南京邮电大学计算机学院南京210023

针对当前物联网异常检测算法中数据不平衡导致特征学习不全面,进而影响少数类攻击样本检测性能的问题,文章提出了一种基于代价敏感学习的物联网异常检测模型CS-CTIAD。该模型通过卷积神经网络和Transformer综合学习物联网流量的空间和... 详细信息

针对当前物联网异常检测算法中数据不平衡导致特征学习不全面,进而影响少数类攻击样本检测性能的问题,文章提出了一种基于代价敏感学习的物联网异常检测模型CS-CTIAD。该模型通过卷积神经网络和Transformer综合学习物联网流量的空间和时序特征,来缓解单一模型对少数类攻击样本特征学习不全面的问题;同时,在模型训练过程中引入代价敏感学习,动态调整少数类和多数类的损失权重,防止分类器因数据不平衡而忽略少数类攻击样本,进而提高少数类攻击样本的识别率。在CSE-CIC-IDS2018和IoT-23数据集上的测试结果表明,少数类攻击样本的检测性能得到明显提升。与现有工作相比,文章所提方法的整体评价指标(准确率、精确率、召回率和F1)更优。

关键词：物联网异常检测深度学习代价敏感学习类不平衡

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：