AxelSMOTE：一种用于不平衡分类的基于智能体的过采样算法
机器学习
2025-09-09 v1 人工智能
摘要
机器学习中的类别不平衡提出了重大挑战，因为倾斜的数据集通常会阻碍少数类的性能。常用于缓解类别不平衡的传统过采样技术存在几个缺点：它们独立地处理特征，缺乏基于相似性的控制，限制了样本多样性，并且无法有效地管理合成的多样性。为了克服这些问题，我们引入了 AxelSMOTE，这是一种创新的基于智能体的方法，将数据实例视为进行复杂交互的自主智能体。基于 Axelrod 的文化扩散模型，AxelSMOTE 实现了四项关键创新：（1）基于特征分组的特征分组以保持相关性；（2）基于相似性的概率交换机制以实现有意义的交互；（3）Beta 分布混合以实现真实的插值；（4）受控的多样性注入以避免过拟合。在八个不平衡数据集上的实验表明，AxelSMOTE 在保持计算效率的同时，优于 SOTA 采样方法。
引用
@article{arxiv.2509.06875,
title = {AxelSMOTE: An Agent-Based Oversampling Algorithm for Imbalanced Classification},
author = {Sukumar Kishanthan and Asela Hevapathige},
journal= {arXiv preprint arXiv:2509.06875},
year = {2025}
}