Class Imbalance Invisibility
PulseAugur coverage of Class Imbalance Invisibility — every cluster mentioning Class Imbalance Invisibility across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
多任务学习在预测性流程监控方面展现出潜力
一项新研究探讨了多任务学习（MTL）在预测性流程监控（PPM）中的潜力，PPM 是一个预测组织流程展开的领域。尽管深度学习已推动了 PPM 的发展，但大多数现有方法都使用单任务学习（STL），效率低下且错失了潜在的协同效应。本研究提出了首个针对 PPM 的 MTL 全面实证研究，评估了各种任务组合、神经架构和优化方法。研究结果表明，MTL 在下一活动预测方面提供了实质性改进，并能有效缓解类别不平衡问题，其中任务平衡对于低容量模型尤为关键。
-
新的GRIN+框架增强了不平衡医学数据的机器遗忘能力
研究人员开发了GRIN+，一个专为不平衡医学数据集设计的新型机器遗忘框架。该框架解决了从深度学习模型中移除敏感患者数据同时保留关键临床知识（特别是针对罕见病）的挑战。GRIN+分析梯度贡献，将遗忘特定知识与通用表示分离开来，并使用类自适应影响评分机制来纠正梯度主导问题。在皮肤癌、脑肿瘤和乳腺超声数据集上的基准测试表明，GRIN+在隐私、效用和效率之间取得了良好的平衡，优于现有方法。
-
新的GAN模型解决了表格数据中的类别不平衡问题
研究人员开发了ctdGAN，这是一种新颖的条件生成对抗网络，旨在解决表格数据集中的类别不平衡问题。该新模型将输入样本划分为簇，并采用概率采样策略在这些已识别的子空间内生成合成数据。该方法还结合了分簇缩放技术来捕获多个特征模式，以及一个在簇和类别级别上惩罚错误预测的损失函数。在14个不平衡数据集上的评估表明，ctdGAN在生成高保真样本和提高分类准确性方面是有效的。
-
论文分析合成数据增强在类别不平衡分类中的应用
一篇新论文探讨了合成数据增强在类别不平衡分类任务中的理论基础。该研究开发了一个框架，用于确定此类增强何时能真正改善 AUROC 和 F1 分数等分类指标。研究结果表明，虽然增强可能通过降低方差在指定良好的模型中带来有限的收益，但它也可能引入偏差。然而，在模型指定不当的情况下，合成数据可以通过调整类别平衡和纠正排名错误发挥更重要的作用。