基于投影聚类与分阶段混合采样的重叠有向不平衡集成学习方法
机器学习
2022-12-07 v1 人工智能
计算机视觉与模式识别
摘要
不平衡学习的挑战不仅在于类不平衡问题，还在于复杂的类重叠问题。然而，现有大多数算法主要关注前者。这一局限阻碍了现有方法的突破。为应对该局限，本文提出一种基于双重聚类与分阶段混合采样（DCSHS）的集成学习算法。DCSHS包含三部分。首先，我们设计了一个由Davies-Bouldin聚类有效性指标（DBI）引导的投影聚类组合框架（PCC），用于获得高质量聚类并将其组合得到一组类平衡且低重叠的交叉完备子集（CCS）。其次，根据子集类的特征，设计分阶段混合采样算法以实现子集的去重叠与平衡。最后，通过迁移学习为所有处理后的子集构建投影聚类迁移映射机制（CTM），从而降低类重叠并挖掘样本结构信息。我们算法的主要优势在于能利用CCS的交叉性实现重叠多数类样本的软消除，并尽可能学习重叠样本的信息，从而在类平衡的同时增强对类重叠的处理。实验部分选取30余个公开数据集和十余种代表性算法进行验证。实验结果表明，DCSHS在各种评价标准上均显著最优。
引用
@article{arxiv.2212.03182,
title = {Overlapping oriented imbalanced ensemble learning method based on projective clustering and stagewise hybrid sampling},
author = {Fan Li and Bo Wang and Pin Wang and Yongming Li},
journal= {arXiv preprint arXiv:2212.03182},
year = {2022}
}
备注
23 pages, 3 figures