基于概率图模型和变分推断解决类别不平衡问题
机器学习
2025-04-09 v1
摘要
本研究提出一种基于深度概率图模型（DPGMs）的不平衡数据分类方法，以解决传统方法对少数类样本学习能力不足的问题。为解决类别不平衡导致的分类偏差，我们引入变分推断优化概率建模，使模型能够自适应调整少数类的表征能力，并结合类别感知权重调整策略以增强分类器对少数类的敏感性。此外，我们引入对抗学习机制在潜在空间生成少数类样本，以便模型能够更好地表征高维特征空间中的类别边界。实验在Kaggle“信用卡欺诈检测”数据集上进行，与多种先进的不平衡分类方法（如基于GAN的采样、BRF、XGBoost-Cost Sensitive、SAAD、HAN）进行比较。结果表明，本研究的方法在AUC、Precision、Recall和F1-score等指标上取得最佳表现，有效提升了少数类的识别率并降低了误报率。该方法可广泛应用于金融欺诈检测、医疗诊断和异常检测等不平衡分类任务，为相关研究提供了新的解决方案。
引用
@article{arxiv.2504.05758,
title = {Addressing Class Imbalance with Probabilistic Graphical Models and Variational Inference},
author = {Yujia Lou and Jie Liu and Yuan Sheng and Jiawei Wang and Yiwei Zhang and Yaokun Ren},
journal= {arXiv preprint arXiv:2504.05758},
year = {2025}
}