基于多目标双层优化的不平衡数据采样方法
机器学习
2025-07-11 v2
摘要
二分类问题通常因多数类与少数类样本数量不平衡而导致少数类分类性能不佳。传统方法如损失函数重加权或朴素重采样存在过拟合风险，且由于缺乏衡量不平衡对模型影响的度量，无法改善分类效果。为解决这些挑战，我们做出两项关键贡献。第一，我们提出了 MOODS（Multi-Objective Optimization for Data Sampling），一种引导合成过采样和多数类欠采样的新型多目标双层优化框架。第二，我们引入了一种验证度量—— 非重叠多样化度量——用于量化采样方法对模型性能的优劣。利用该度量，我们通过实验展示了最先进性能，证明多样化的提升可带来 的 F1 分数提升。
引用
@article{arxiv.2506.11315,
title = {Sampling Imbalanced Data with Multi-objective Bilevel Optimization},
author = {Karen Medlin and Sven Leyffer and Krishnan Raghavan},
journal= {arXiv preprint arXiv:2506.11315},
year = {2025}
}