Resampling Framework Based on Swarm Intelligence Optimization for Imbalanced Data Classification
Notice bibliographique
Résumé
In recent years, swarm intelligence optimization (SIO) algorithms have developed rapidly and are widely applied, particularly in classification tasks. The challenge of imbalanced data is a critical issue in classification, as it negatively impacts classification performance. Resampling techniques have been proposed to address this problem, but their classical approaches leave room for improvement, making applying SIO algorithms to resampling an effective solution. Optimizing resampling results is generally considered a combinatorial optimization process. Therefore, few continuous SIO algorithms have been applied to find the optimal resampling result, making it necessary to propose a unified application framework for them. This paper proposes the Resampling Framework Based on Swarm Intelligence Optimization for Imbalanced Data Classification (R-SIOIC). R-SIOIC supports the application of any continuous SIO algorithm for resampling. It optimizes multiple resampling results in each iteration, ultimately producing the optimal resampling result. This paper selects three continuous SIO algorithms to evaluate the effectiveness of R-SIOIC. The experiments used 13 imbalanced datasets, and compared the results with those from 13 baseline methods and the original data input without resampling. R-SIOIC outperformed all other methods on 11 out of 13 datasets for G-mean and 12 out of 13 datasets for m-AUC, demonstrating its superior performance.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».