检索结果-内蒙古大学图书馆

信号处理 2016年第1期32卷 8-13页

作者：缪志敏赵陆文田世伟姜劲松解放军理工大学指挥信息系统学院江苏南京210007 解放军理工大学通信工程学院江苏南京210007

非视距(Non Line of Sight,NLOS)传播是影响超宽带(Ultra-wide Bandwidth,UWB)定位精度的一个重要因素。针对UWB定位中视距(Line of Sight,LOS)信号数量大于NLOS信号数量所呈现的类别不平衡特点,提出了一种基于类别不平衡学习的NLOS信... 详细信息

非视距(Non Line of Sight,NLOS)传播是影响超宽带(Ultra-wide Bandwidth,UWB)定位精度的一个重要因素。针对UWB定位中视距(Line of Sight,LOS)信号数量大于NLOS信号数量所呈现的类别不平衡特点,提出了一种基于类别不平衡学习的NLOS信号识别方法。该方法通过给NLOS信号和LOS信号赋予不同的误分代价来训练一个带野值的支持向量数据描述(Support Vector Data Description,SVDD)学习器,实现对数量少但重要的NLOS信号的识别。仿真结果表明,当LOS信号数量远大于NLOS信号数量时,该方法对NLOS信号的识别性能优于支持向量机(Support Vector Machine,SVM)。

关键词：超宽带定位非视距支持向量数据描述类别不平衡学习

来源：评论

学校读者我要写书评

暂无评论

多类类别不平衡学习算法:EasyEnsemble.M

引用

模式识别与人工智能 2014年第2期27卷 187-192页

作者：李倩倩刘胥影东南大学计算机科学与工程学院计算机网络和信息集成教育部重点实验室南京211189 南京大学计算机软件新技术国家重点实验室南京211189

随机欠采样方法忽略潜在有用的大类样本信息,在面对多类分类问题时更为突出.文中提出多类类别不平衡学习算法:EasyEnsemble.M.该算法通过多次针对大类样本随机采样,充分利用被随机欠采样方法忽略的潜在有用的大类样本,学习多个子分类器... 详细信息

随机欠采样方法忽略潜在有用的大类样本信息,在面对多类分类问题时更为突出.文中提出多类类别不平衡学习算法:EasyEnsemble.M.该算法通过多次针对大类样本随机采样,充分利用被随机欠采样方法忽略的潜在有用的大类样本,学习多个子分类器,利用混合的集成技术最终得到性能较优的强分类器.实验结果表明,与常用的多类类别不平衡学习算法相比,EasyEnsemble.M可有效提高分类器的G-mean值.

关键词：机器学习类别不平衡学习欠采样集成

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

面对类别不平衡的增量在线序列极限学习机

引用

智能系统学报 2020年第3期15卷 520-527页

作者：左鹏玉周洁王士同江南大学数字媒体学院江苏无锡214122 江苏省媒体设计与软件设计重点实验室江苏无锡214122

针对在线序列极限学习机对于类别不平衡数据的学习效率低、分类准确率差的问题,提出了面对类别不平衡的增量在线序列极限学习机(IOS-ELM)。该算法根据类别不平衡比例调整平衡因子,利用分块矩阵的广义逆矩阵对隐含层节点数进行寻优,提高... 详细信息

针对在线序列极限学习机对于类别不平衡数据的学习效率低、分类准确率差的问题,提出了面对类别不平衡的增量在线序列极限学习机(IOS-ELM)。该算法根据类别不平衡比例调整平衡因子,利用分块矩阵的广义逆矩阵对隐含层节点数进行寻优,提高了模型对类别不平衡数据的在线处理能力,最后通过14个二类和多类不平衡数据集对该算法有效性和可行性进行验证。实验结果表明:该算法与同类其他算法相比具有更好的泛化性和准确率,适用于类别不平衡场景下的在线学习。

关键词：类别不平衡学习增量无逆矩阵在线学习极限学习机分类多类不平衡神经网络

来源：评论

学校读者我要写书评

暂无评论

深度学习框架下类别不平衡数据情感分析

引用

现代情报 2021年第10期41卷 75-82页

作者：张志武薛娟陈国兰南京邮电大学图书馆江苏南京210023

[目的/意义]将类别不平衡学习方法与深度学习相结合,提升数据不平衡分布下情感分析的性能。[方法/过程]提出LSTM深度学习框架下自适应不平衡数据情感分析方法。不平衡程度低时,对少数类样本进行过采样,然后利用LSTM进行深度学习训练;不... 详细信息

[目的/意义]将类别不平衡学习方法与深度学习相结合,提升数据不平衡分布下情感分析的性能。[方法/过程]提出LSTM深度学习框架下自适应不平衡数据情感分析方法。不平衡程度低时,对少数类样本进行过采样,然后利用LSTM进行深度学习训练;不平衡程度高时,对多数类样本进行多组均衡化欠采样,然后分别对每组训练数据学习LSTM模型,最后通过集成学习方法,获得最终情感分类结果。[结果/结论]在网络商品评论语料库上的实验结果显示,本方法可以提升类别不平衡数据的深度学习性能,实现不平衡数据的自适应情感分析。

关键词：深度学习类别不平衡学习情感分析长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

面向类别不平衡数据的主动在线加权极限学习机算法

引用

计算机科学 2017年第12期44卷 221-226,254页

作者：王长宝李青雯于化龙江苏科技大学计算机科学与工程学院镇江212003

针对在样本类别分布不平衡场景下,现有的主动学习算法普遍失效及训练时间过长等问题,提出采用建模速度更快的极限学习机,即ELM(Extreme Learning Machine)作为主动学习的基分类器,并以加权ELM算法用于主动学习过程的平衡控制,进而在理... 详细信息

针对在样本类别分布不平衡场景下,现有的主动学习算法普遍失效及训练时间过长等问题,提出采用建模速度更快的极限学习机,即ELM(Extreme Learning Machine)作为主动学习的基分类器,并以加权ELM算法用于主动学习过程的平衡控制,进而在理论上推导了其在线学习的过程,大幅降低了主动学习的时间开销,并将最终的混合算法命名为AOW-ELM算法。通过12个基准的二类不平衡数据集验证了该算法的有效性与可行性。

关键词：主动学习类别不平衡学习极限学习机加权极限学习机在线学习

来源：评论

学校读者我要写书评

暂无评论

基于随机数据块与权重采样的不平衡分类集成算法

引用

软件导刊 2025年第3期24卷 43-47页

作者：魏勋江西理工大学软件工程学院江西南昌330000

在大量的真实问题中,数据集往往是类别不平衡的,很可能会削弱学习算法的性能。为了处理不平衡数据集,业界提出了各种类别不平衡学习算法,其中包括不少集成算法。然而,这些集成算法主要考虑在样本层面进行集成而忽视了特征层面,且常规的... 详细信息

在大量的真实问题中,数据集往往是类别不平衡的,很可能会削弱学习算法的性能。为了处理不平衡数据集,业界提出了各种类别不平衡学习算法,其中包括不少集成算法。然而,这些集成算法主要考虑在样本层面进行集成而忽视了特征层面,且常规的随机采样算法未能重点关注边界区域,此区域通常是分类困难样本。鉴于此,提出一种名为BRPE的集成采样算法进行优化。首先,对特征集进行采样;其次,以多数类样本距离少数类样本的最近距离作为权重对多数类样本进行下采样,得到一个平衡的随机数据块并将其作为训练子集;再次,在训练子集上训练一个基学习器;最后,将所有基学习器的输出组合成预测结果。在10个合成数据集和8个真实数据集上均进行了详细实验。结果表明,相比其他4种不平衡集成分类算法,BRPE能够取得更高的F1和AUC值。

关键词：不平衡数据类别不平衡学习集成算法权重采样随机数据块

来源：评论

学校读者我要写书评

暂无评论

基于小样本和类别不平衡数据的罕见病风险预测模型研究 ——以散发共济失调患者自身免疫风险预测为例

基于小样本和类别不平衡数据的罕见病风险预测模型研究 ——以散...

引用

作者：王蕾北京协和医学院

学位级别：博士

背景与目的:精准医学研究对罕见病“早诊早治”意义重大,电子病历是罕见病诊断的重要资源。基于中文电子病历与人工智能算法构建临床辅助诊断模型已成为罕见病精准医学研究的重要方向之一。既往研究开展中主要面对三大类问题:1.文本结... 详细信息

背景与目的:精准医学研究对罕见病“早诊早治”意义重大,电子病历是罕见病诊断的重要资源。基于中文电子病历与人工智能算法构建临床辅助诊断模型已成为罕见病精准医学研究的重要方向之一。既往研究开展中主要面对三大类问题:1.文本结构化准确率低;2.样本量小;3.类别不平衡。作为极罕见病,特发性散发性共济失调(Idiopathic sporadic ataxia,ISA)指一组病因未明的表现为进展性小脑综合征的疾病。其中可能包含三类主要病因:早期多系统萎缩伴小脑特征突出(multiple system atrophy with predominant cerebellar features,MSA-C),散发性罕见遗传性共济失调(hereditary ataxia,HA),及抗体未明的原发性自身免疫性小脑共济失调(Primary autoimmune cerebellar ataxia,PACA)。其中 PACA 是少部分 ISA 患者可治的病因,早期诊断PACA,或者早期识别ISA患者的自身免疫(病因)风险(以下简称免疫风险),不仅有助于患者早诊早治缓解预后,还将助力对未知的新型抗神经抗体的发现。本研究通过构建特发性散发性共济失调患者免疫风险预测模型为上述三大问题提出方案:方法:首先自主构建“共济失调”语料库联合迁移条件随机场算法构建中文命名实体识别模型对病历结构化,结合规则制定与人工校正确保表型与出现时间的准确性;其次对MSA-C与自身免疫介导的小脑共济失调患者(autoimmune-mediate cerebellar ataxia,IMCA)绘制不同病程(≤6个月,7-12个月,13-24个月,24个月以上)的疾病-表型网络探究自然病程,改变纳入变量筛选的变量频率(①全部纳入,②纳入频率>1%的变量,③频率>10%的变量及④仅纳入症状表型)并采用4种有监督与无监督变量筛选方法(随机森林[Random forest,RF],LASSO,弹力网与拉普拉斯得分[Laplacian score,LS]),探究数据“稀疏性”对变量筛选及建模的影响;最后针对类别不平衡方法类别平衡(Tomek-Links,SMOTE,SMOTE-Tomek)与集成学习(Stacking,RF,Adaboost)算法,结合监督、半监督与元学习算法建模;结果:纳入自主构建“共济失调”语料库对中文命名实体识别模型性能有明确提升,但仍需正则化与人工校准完成结构化;根据表型网络,两组患者表型近似,MSA-C网络中表型随病程增加而增加,而IMCA网络则病程初期症状较多但后续大多缓解;在变量筛选中,RF通过基尼系数对变量重要性评估的结果与LS值相反,LASSO和弹力网的回归系数变化趋势一致,各模型中分别纳入下述中的12个变量,睡眠行为障碍、高血脂、震颤、肌电图示神经源性损伤、受头部外伤、四肢肌力减弱、饮酒、构音障碍、发病年龄、指鼻试验阳性、脑脊液白细胞升高、脑干萎缩、小脑萎缩、病情进展快、体位性低血压、步态异常、便秘、尿频急、血清和(或)脑脊液抗神经抗体阳性、病程、头晕、无力、体重下降、性别、失眠、甲状腺功能异常、Babinski征阳性、Hoffmann征阳性;基于表型构建的Stacking集成模型AUC为87.9%,而加入神经检查后性能提升为96%,采用10%和30%ISA样本的构建的CReST半监督模型性能优于有监督与元学习模型;结论:纳入“共济失调”语料库对中文命名实体识别模型性能有明确提升,联合规则制定与人工校正以确保识别准确性;症状网络提升对两病种自然病程的认知;基于症状的Stacking集成学习算法联合10%和30%无标签样本构建的半监督模型框架将辅助患者免疫风险预测。

关键词：小样本学习类别不平衡学习疾病表型复杂网络特发性散发性共济失调自身免疫介导的小脑性共济失调

来源：评论

学校读者我要写书评

暂无评论

图片多标签分类上的类别不平衡问题研究

图片多标签分类上的类别不平衡问题研究

引用

作者：颜文瑾华中科技大学

学位级别：硕士

逻辑回归是多标签分类以及排名任务中最常用的损失形式,但逻辑回归下的Sigmoid交叉熵损失函数受类别不平衡的影响极其严重。这种不平衡主要来自两方面,一是单个类别正例样本与负例样本比例的不均衡,二是各个类别之间样本数量上的巨大差... 详细信息

逻辑回归是多标签分类以及排名任务中最常用的损失形式,但逻辑回归下的Sigmoid交叉熵损失函数受类别不平衡的影响极其严重。这种不平衡主要来自两方面,一是单个类别正例样本与负例样本比例的不均衡,二是各个类别之间样本数量上的巨大差别。这篇文章首先指出了这两种不平衡能通过对分类器输入随机生成的噪声样本来量化,即使噪声样本不能提供任何有助于分类的信息,分类器对噪声样本给出的预测值在各个类之间仍然有显著且稳定的差异。这篇文章认为这些不依赖样本信息的预测差异反映了分类器的推断倾向,并足以作为在类别不平衡学习中校正分类器的依据。传统的类别不平衡学习主要面临两个问题,一是对类别不平衡影响最终预测的深层机制只有定性讨论,缺乏定量分析;二是没有度量模型受类别不平衡影响程度的定量指标。以上两点导致对类别不平衡问题的解决方案大多停留在启发式的加权策略上,缺乏系统的理论依据。这篇文章以图片多标签分类为基准任务,详细地讨论了多标签分类任务下类别不平衡问题的成因,揭示了类别不平衡与推断倾向之间的联系,并提出了用于定量测量推断倾向的噪声统计方案,并在此基础上提出两项Sigmoid交叉熵的改进方案,期望极值平移(ES)和噪声样本约束(NC),进而展示了如何通过降低推断倾向的影响来缓解类别不平衡问题。最后,在三个公开数据集Microsoft COCO,NUS-WIDE和DeepFashion上,通过对比试验和可视化论证了推断倾向与类别不平衡间的关系,以及两种改进方案的有效性。

关键词：机器学习多标签分类类别不平衡学习代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

一种基于HDDT集成的多类不平衡学习方法

引用

微电子学与计算机 2011年第10期28卷 201-203,208页

作者：钱祺姜远南京大学计算机软件新技术国家重点实验室江苏南京210093

在很多真实世界问题中,不同类别的数据样本往往有显著的不平衡性,即大类的样本远多于小类.对类别不平衡样本进行学习,是目前国内外数据挖掘和机器学习领域的研究热点之一.以往对不平衡样本学习的研究主要针对二分类问题进行,由此针对多... 详细信息

在很多真实世界问题中,不同类别的数据样本往往有显著的不平衡性,即大类的样本远多于小类.对类别不平衡样本进行学习,是目前国内外数据挖掘和机器学习领域的研究热点之一.以往对不平衡样本学习的研究主要针对二分类问题进行,由此针对多分类问题,提出一种基于HDDT决策树集成的多类不平衡学习方法.实验表明,该方法可以有效地对多类不平衡问题进行学习.

关键词：机器学习数据挖掘类别不平衡学习多分类

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：