Deep Fuzzy Envelope Sample Generation Mechanism for Imbalanced Ensemble Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ensemble methods are widely used to tackle class imbalance problem. However, for existing imbalanced ensemble (IE) methods, the samples in each subset are resampled from the same dataset, and are directly input to the classifier for training, so the quality (diversity and separability) of the subsets is unsatisfactory usually. To solve the problem, a deep fuzzy envelope sample generation mechanism is proposed. First, the fuzzy C-means clustering based deep sample envelope prenetwork (DSEN) is designed to mine correlation information among samples, thereby increasing the quality of the subsets. Second, the local manifold structure metric and global structure distribution metric are designed to construct local-global structure consistency mechanism (LGSCM) to enhance distribution consistency of interlayer samples of DSEN. Third, the DSEN and LGSCM are combined to form the final deep sample envelope network–DSENLG to refresh the existing subsets. Finally, base classifiers are applied on the new subsets generated by the DSENLG and then fused, thereby realizing a new IE algorithm. The experimental results show that the proposed algorithm is significantly better than existing representative IE algorithms and it achieves the highest improvement of 10.64%, 19.5%, 18.67% and 22.33% on four criteria over the state-of-the-art methods. The originality of the article is threefold: proposing the concept of “deep fuzzy samples” or “envelope samples”, which comprehensively considers the correlation information among original samples; proposing the LGSCM to resolve the distribution inconsistency of interlayer samples; and forming an fuzzy envelope sample based IE algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle