面向不平衡分类的深度强化学习
机器学习
2019-01-08 v1 人工智能
机器学习
摘要
现实应用中的数据常呈现倾斜的类别分布，这给机器学习带来了严峻挑战。传统分类算法在不平衡数据分布下效果不佳，且在数据分布高度不平衡时可能失效。为解决此问题，我们提出一种基于深度强化学习的通用不平衡分类模型。我们将分类问题建模为序贯决策过程，并用深度 Q 学习网络求解。智能体在每个时间步对单个样本执行分类动作，环境评估该分类动作并向智能体返回奖励。来自少数类样本的奖励更大，因此智能体对少数类更敏感。在特定奖励函数与有益学习环境的引导下，智能体最终在不平衡数据中找到最优分类策略。实验表明，我们提出的模型优于其他不平衡分类算法，能够识别更多少数类样本并具有优良的分类性能。
引用
@article{arxiv.1901.01379,
title = {Deep Reinforcement Learning for Imbalanced Classification},
author = {Enlu Lin and Qiong Chen and Xiaoming Qi},
journal= {arXiv preprint arXiv:1901.01379},
year = {2019}
}