面向含标签噪声多类不平衡数据的联合清洗与重采样算法
机器学习
2020-04-08 v1 机器学习
摘要
不平衡数据分类是现代数据分析面临的最关键任务之一。尤其当与其他困难因素（如噪声存在、类分布重叠和小不连通块）结合时，数据不平衡会显著影响分类性能。此外，已知某些数据困难因素会影响现有过采样策略（特别是 SMOTE 及其衍生方法）的性能。该影响在多类设定下尤为明显，其中类间的相互不平衡关系使问题更加复杂。尽管如此，当前不平衡数据领域的研究大多聚焦于二分类问题，而更困难的多类对应问题相对未被探索。本文提出一种新颖过采样技术——多类联合清洗与重采样（MC-CCR）算法。所提方法利用基于能量的方法建模适合过采样的区域，比 SMOTE 更少受小不连通块与离群点影响。它将其与同步清洗操作结合，旨在降低类分布重叠对学习算法性能的影响。最后，通过引入专门处理多类问题的策略，MC-CCR 比传统多类分解策略更少丢失类间关系信息。基于多个多类不平衡基准数据集的实验研究表明，所提方法对噪声具有高鲁棒性，且与最先进方法相比具有更高质量。
引用
@article{arxiv.2004.03406,
title = {Combined Cleaning and Resampling Algorithm for Multi-Class Imbalanced Data with Label Noise},
author = {Michał Koziarski and Michał Woźniak and Bartosz Krawczyk},
journal= {arXiv preprint arXiv:2004.03406},
year = {2020}
}