面向类不平衡学习的图嵌入直觉模糊随机向量泛函链接神经网络
机器学习
2024-02-21 v2
摘要
机器学习领域面临一个关键研究方向，即类不平衡学习，其在 minority 类的精确分类上带来显著障碍。该问题会导致模型偏向多数类在训练过程中占优，致使 minority 类代表性不足。随机向量泛函链接(RVFL)网络因其良好的泛化性能与效率，是一种被广泛使用且有效的分类学习模型。然而，其在处理不平衡数据集时表现不佳。为克服此局限，我们提出一种新颖的图嵌入直觉模糊RVFL用于类不平衡学习(GE-IFRVFL-CIL)模型，该模型引入加权机制以应对不平衡数据集。所提GE-IFRVFL-CIL模型具有诸多优势：利用图嵌入保留数据集的固有拓扑结构，采用直觉模糊理论处理数据中的不确定性与不精确性，且最为重要的是，其解决了类不平衡学习问题。加权方案、图嵌入与直觉模糊集的融合，使所提模型在含与不含高斯噪声的KEEL基准不平衡数据集上均取得优越性能。此外，我们将所提GE-IFRVFL-CIL应用于ADNI数据集并获得了有前景的结果，证明了该模型在真实世界应用中的有效性。所提GE-IFRVFL-CIL模型为应对类不平衡问题提供了有前景的方案，减轻了噪声与离群点的有害影响，并保留了数据集的固有几何结构。
引用
@article{arxiv.2307.07881,
title = {Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural Network for Class Imbalance Learning},
author = {M. A. Ganaie and M. Sajid and A. K. Malik and M. Tanveer},
journal= {arXiv preprint arXiv:2307.07881},
year = {2024}
}
备注
IEEE Transactions on Neural Networks and Learning Systems