G-SMOTE：一种基于GMM的合成少数类过采样不平衡学习技术
机器学习
2018-10-25 v1 机器学习
摘要
不平衡学习是分类模型的重要学习算法，已在许多应用中广受欢迎。通常，不平衡学习算法可分为两类，即数据层面方法和算法层面方法。本文的重点是开发一种鲁棒的合成少数类过采样技术，属于数据层面方法。一方面，我们提出了一种在高维特征空间而非线性采样空间中生成合成样本的方法。另一方面，在所提出的不平衡学习框架中，采用高斯混合模型（GMM）从少数类样本中区分离群点并滤除合成多数类样本。最后且更重要的是，提出了一种自适应优化方法来优化采样过程中的这些参数。由此，开发了一个有效且高效的不平衡学习框架。
引用
@article{arxiv.1810.10363,
title = {G-SMOTE: A GMM-based synthetic minority oversampling technique for imbalanced learning},
author = {Tianlun Zhang and Xi Yang},
journal= {arXiv preprint arXiv:1810.10363},
year = {2018}
}