文献

J-GLOBAL ID：202202255378521306   整理番号：22A1085920

不均衡学習のための少数部分領域推定に基づくオーバサンプリング【JST・京大機械翻訳】

Minority Sub-Region Estimation-Based Oversampling for Imbalance Learning

著者 (4件)： Sun Yi (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  Cai Lijun (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  Liao Bo (Key Laboratory of Computational Science and Application of Hainan Province, Hainan Normal University, Haikou, China) ,  Zhu Wen (Key Laboratory of Computational Science and Application of Hainan Province, Hainan Normal University, Haikou, China)
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 34  号： 5  ページ： 2324-2334  発行年： 2022年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年の1つの課題として,大多数に対するスキュー分布で特徴付けられるクラス不均衡問題が生じる。多くのオーバーサンプリング技術がこの問題に対処するために提案され,それらの幾つかは,クラスタで生成される新しい合成サンプルを保証するクラスタリングアルゴリズムとオーバサンプリング手順を組み合わせる。しかし,しかし,同じ少数部分領域を有するが,しかし,クラスタ化アルゴリズム自体の特性のために,通常,異なるグループにクラスタ化される。したがって,以下のオーバーサンプリング手順は,合成サンプルが積分少数領域を十分にカバーしない不完全な少数部分領域で行われる。そして,著者らの最良の知識に対して,クラス不均衡問題のための少数部分領域を直接推定するために,既存のアルゴリズムのどれも設計されていない。このように,一方向分布ベースの少数領域推定(DDMSE)と名づけた1つの新しいグループ化アルゴリズムを最初に提案した。新しいアルゴリズムは直感的観察を利用し,同じ部分領域を持つ少数は,他の大多数と比較して,同じ方向にほぼ分布し,クラスタ化アルゴリズムのような距離因子によってもたらされるマイナス影響を完全に無視する少数部分領域を推定する。最後に,新しい合成サンプルをそれらの少数部分領域で発生する。そして,実世界データセットに関する実験結果は,他の最先端のオーバーサンプリング法に匹敵する性能を示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  特性 ,  *標本抽出 ,  クラスタ化 ,  クラスタ ,  ゆがみ
準シソーラス用語： *オーバサンプリング ,  不均衡 ,  クラスタリングアルゴリズム ,  クラス不均衡 , 【Automatic Indexing@JST】

分類 (4件)： 計算機網  (JC03000K) ,  人工知能  (JE08000Z) ,  信号理論  (ND02020G) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 均衡 ,  学習 ,  推定 ,  オーバサンプリング