从数据到决策：面向光纤网络故障分析的多阶段类别不平衡缓解框架
机器学习
2025-09-03 v1 人工智能
计算机视觉与模式识别
摘要
基于机器学习的光纤网络故障管理近年来受到广泛关注。然而，严重的类别不平衡问题（即正常实例远多于故障案例）仍是一个重大挑战。虽然前处理和内部处理技术已被广泛研究，但后处理方法基本未被探索。本文提出了对前处理、内部处理和后处理方法在故障检测与识别中的直接比较，基于实验数据集进行实验。对于故障检测，后处理方法——特别是阈值调整——实现了最高的F1分数提升（最高可达15.3%），而随机欠采样提供了最快的推理速度。在故障识别方面，生成式AI方法实现了最显著的性能提升（最高可达24.2%），而后处理在多类别设置中影响有限。在类别重叠存在且延迟至关重要的场景下，过采样方法如SMOTE最为有效；若无延迟约束，元学习方法可获得最佳结果。在低重叠场景中，生成式AI方法在最小推理时间下提供最高性能。
引用
@article{arxiv.2509.00057,
title = {From Data to Decision: A Multi-Stage Framework for Class Imbalance Mitigation in Optical Network Failure Analysis},
author = {Yousuf Moiz Ali and Jaroslaw E. Prilepsky and Nicola Sambo and Joao Pedro and Mohammad M. Hosseini and Antonio Napoli and Sergei K. Turitsyn and Pedro Freire},
journal= {arXiv preprint arXiv:2509.00057},
year = {2025}
}