基于边界的对抗性过滤：面对极端类别不平衡的可靠诊断
机器学习
2026-01-23 v2
摘要
我们研究在极端类别不平衡场景下的分类问题，关注召回率和校准效果，例如在医疗诊断场景中。我们提出了AF-SMOTE（Adversarial Filtering SMOTE）方法，通过数学方法构建的增强框架，首先合成少数类样本，然后通过对抗判别器和边界效用模型进行过滤。我们证明，在决策边界光滑性和类别条件密度的温和假设下，过滤步骤单调改善F_beta系数（当beta >= 1时）的拟合指标，同时不会导致Brier分数膨胀。在MIMIC-IV代理标签预测和标准欺诈检测基准测试上，AF-SMOTE在召回率和平均精确率方面优于强大的过采样基线方法（包括SMOTE、ADASYN、Borderline-SMOTE、SVM-SMOTE），并实现最佳校准效果。我们进一步在多个额外数据集上验证了这些提升。AF-SMOTE成功应用于基于代理标签的医疗数据集，证明了其在临床场景中的实用价值——对于罕见疾病，漏诊真阳性病例可能带来严重后果。
引用
@article{arxiv.2511.17629,
title = {Boundary-Aware Adversarial Filtering for Reliable Diagnosis under Extreme Class Imbalance},
author = {Yanxuan Yu and Michael S. Hughes and Julien Lee and Jiacheng Zhou and Andrew F. Laine},
journal= {arXiv preprint arXiv:2511.17629},
year = {2026}
}
备注
Accepted to IEEE ISBI 2026