PulseAugur
中
实时 10:29:59
English(EN) QC-SMOTE: Quality-Controlled SMOTE for Imbalanced Classification

新的QC-SMOTE方法提高了不平衡分类的准确性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了QC-SMOTE，一种新颖的过采样框架，旨在提高不平衡数据集上的分类准确性。该方法通过结合一种质量控制方法来解决生成低质量合成样本的问题，该方法根据局部密度、安全级别以及与多数类的隔离度来评估样本的可靠性。在30个数据集上的实验表明，QC-SMOTE优于现有的过采样技术，在具有中度至严重类别不平衡的情况下，取得了更高的AUC-ROC和Macro F1分数。 AI

影响 这项研究为处理不平衡数据集提供了一种更稳健的方法，有可能提高机器学习模型在数据倾斜普遍的关键应用中的性能。

排序理由 该集群描述了一篇关于不平衡分类新算法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的QC-SMOTE方法提高了不平衡分类的准确性

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Parth Upman, Shreyank N Gowda ·

    QC-SMOTE：用于不平衡分类的质量控制SMOTE

    arXiv:2606.24625v1 Announce Type: new Abstract: Class imbalance poses a significant challenge in classification, where existing methods such as SMOTE often generate low-quality synthetic samples in regions with noise or class overlap. We propose QC-SMOTE, a quality-controlled ove…

  2. arXiv cs.LG TIER_1 English(EN) · Shreyank N Gowda ·

    QC-SMOTE：用于不平衡分类的质量控制SMOTE

    Class imbalance poses a significant challenge in classification, where existing methods such as SMOTE often generate low-quality synthetic samples in regions with noise or class overlap. We propose QC-SMOTE, a quality-controlled oversampling framework that estimates minority samp…

相关实体

相关话题