基于统计信息的超不平衡分类
发表于: 。本研究针对传统不平衡学习方法忽视的「超不平衡分类」问题,提出了一种新颖的框架。通过借鉴信息理论,研究不同损失函数的内在难度,并发展出一种新的学习目标——可调增强损失,该方法在超不平衡情况下能有效抵抗数据不平衡,并在公共和工业数据集上进行了大量实证验证。
本研究针对传统不平衡学习方法忽视的「超不平衡分类」问题,提出了一种新颖的框架。通过借鉴信息理论,研究不同损失函数的内在难度,并发展出一种新的学习目标——可调增强损失,该方法在超不平衡情况下能有效抵抗数据不平衡,并在公共和工业数据集上进行了大量实证验证。