PulseAugur
中
实时 12:49:24
English(EN) Addressing Imbalance in Multi-Label Data via Label-Specific Distance-based Oversampling

新的过采样方法解决多标签数据不平衡问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为标签特定距离多标签过采样（LSDMLO）的新过采样技术，以解决多标签分类中数据不平衡的挑战。传统方法常常忽略不同标签特征的不同重要性，导致混淆和过拟合。LSDMLO通过考虑标签特定的距离和加权特征空间来创建更准确的合成实例，从而提高多标签分类器的性能。 AI

影响 通过解决数据不平衡问题来提高多标签分类的准确性。

排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Bin Liu, Jun Wu, Haoyu Peng, Ao Zhou, Jin Wang, QiaoSong Chen, Grigorios Tsoumakas ·

    通过标签特定距离过采样解决多标签数据不平衡问题

    arXiv:2606.05927v1 Announce Type: new Abstract: The complex imbalanced label distribution poses a crucial challenge to multi-label classification, as most classifiers are biased towards the majority class and high-frequent labels. Oversampling is an efficient and flexible solutio…

相关话题