Smote
PulseAugur coverage of Smote — every cluster mentioning Smote across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
量子电路出生机增强了不平衡数据集的合成数据生成
研究人员开发了一个混合量子经典框架，利用量子电路出生机（QCBMs）为不平衡表格数据集生成合成数据。该方法利用叠加和纠缠等量子特性，比传统方法更有效地模拟复杂概率分布。在 Iris 和 Telco Customer Churn 数据集上的实验表明，使用 QCBM 生成的样本增强数据可将 F1 分数提高 5-15%，少数类召回率提高 10-25%，证明了强大的分布保真度和与 SMOTE 等经典过采样技术相比具有竞争力。
-
重采样方法会降低模型校准能力，但重新校准可提供解决方案
一篇新发表在arXiv上的研究论文探讨了重采样方法对树集成模型概率校准能力的影响。研究发现，虽然SMOTE（合成少数类过采样技术）会导致校准能力轻微下降，但随机欠采样会带来重大风险，尤其是在高不平衡比率下，它会扭曲训练数据，使概率估计不可靠。幸运的是，像Platt或等渗缩放这样的事后重新校准技术可以有效消除这种校准损害，同时对判别性能的影响极小。
-
混合CNN-LSTM模型提升可再生能源电网网络安全
研究人员开发了一种新颖的混合CNN-LSTM框架，旨在增强智能可再生能源电网的网络安全。该模型通过结合CNN的空间特征提取和LSTM的时间序列建模，能有效检测即时异常和渐进式、低速攻击活动。该框架在NSL-KDD等基准数据集上展示了高精度和高召回率，精度高达98.2%，并且其效率通过GPU上每秒27,800个流的实时推理吞吐量得到证实，表明其在资源受限设备上部署的可行性。
-
新AI模型利用脑电图数据增强轻度认知障碍检测能力
研究人员开发了一种新的可解释概念引导多项式表格Kolmogorov-Arnold网络（CPTabKAN），用于利用脑电图（EEG）数据检测轻度认知障碍（MCI）。这种新颖的方法将EEG衍生的特征映射到概念表示，并进行扩展以揭示交互作用，然后使用TabKAN分类器进行非线性边界学习。在骨质疏松性骨折研究队列上进行的评估显示，CPTabKAN的加权F1分数达到了0.9038，优于GradientBoosting，并证明了概念结构化、交互感…
-
AI框架增强网联汽车的预测性维护
一篇新的研究论文详细介绍了一个用于网联汽车预测性维护的框架，该框架将内部诊断信号与外部环境数据（如道路质量和天气）相结合。该方法通过在印度、德国和巴西进行的模拟和真实现场测试得到验证，在检测车辆磨损事件的准确性方面取得了显著提高。研究还证实了基于边缘的推理在降低延迟方面的有效性，并强调了上下文特征在预测模型中的重要性。
-
新的QC-SMOTE方法提高了不平衡分类的准确性
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模型在阿尔茨海默病早期检测方面展现出潜力
研究人员正在开发利用各种数据源进行阿尔茨海默病早期检测的先进AI模型。一项研究提出了一种多语言方法，在语音数据上使用Transformer模型，在英语、中文、阿拉伯语和印地语上达到了82%的F1分数，并具有实时筛查的潜力。另一篇论文利用来自ADNI数据集的临床生物标志物的可解释XGBoost分类器，达到了0.983的宏观AUC，并识别了关键的预测特征。此外，第三项研究探讨了大型语言模型（LLMs）从文本中检测AD的能力，经过微调的BE…
-
AI通过SMOTE过采样改进物联网入侵检测
研究人员开发了一种新方法，通过解决数据集中类别不平衡问题来改进物联网网络中的入侵检测。他们应用了合成少数类过采样技术（SMOTE）来平衡数据，实现了1.1的不平衡比。这种方法显著提高了对少数类攻击的检测能力，特别是对组合感染的攻击，这通过宏F1分数和混淆矩阵得以体现。Random Forest模型实现了0.9989的微平均F1分数和0.9794的宏F1分数，优于先前的方法。
-
新的CopulaSMOTE方法改进了糖尿病预测中的不平衡数据处理
研究人员开发了CopulaSMOTE，一种解决医疗预测模型中类别不平衡的新颖方法，特别适用于糖尿病等疾病。与传统的SMOTE等方法不同，该方法使用基于Copula的技术来更好地模拟生成合成数据时少数类中的依赖结构。在三个公开的糖尿病数据集上的评估表明，CopulaSMOTE可以提高少数类的恢复能力，尤其是在较大的数据集和特定的分类器上，尽管其有效性有所不同。
-
Python 库 imbalanced-learn 简化了类别不平衡处理
imbalanced-learn Python 库为解决机器学习数据集中的类别不平衡问题提供了一个全面的解决方案。它将各种重采样技术（如 SMOTE 和欠采样方法）整合到一个与 scikit-learn 兼容的单一包中。通过确保在交叉验证期间正确应用重采样，防止数据泄露并提高不平衡数据的模型性能，该库简化了构建稳健机器学习管道的过程。
-
混合量子-经典框架增强欺诈检测
研究人员开发了 Q-SYNTH，这是一个新颖的混合量子-经典框架，旨在解决信用卡欺诈检测中不平衡数据的挑战。该系统使用参数化量子电路作为生成器，并使用经典神经网络作为判别器来合成少数类欺诈样本。评估表明，Q-SYNTH 在统计保真度与真实欺诈数据以及下游欺诈检测性能的改进之间提供了有希望的平衡，在特定指标上优于一些经典基线。
-
印度尼西亚情感分析：机器学习模型在评论分析中优于深度学习
两篇近期论文对传统机器学习模型与深度学习方法在印度尼西亚文本数据情感分析方面的表现进行了基准测试。一项关于 Tokopedia 评论的研究发现，线性 SVC 模型在准确率上优于 IndoBERT，达到了 97.60%，这归因于数据采样方式的差异。另一篇分析 Spotify 评论的论文指出，虽然 BiLSTM 取得了更高的整体加权 F1 分数，但使用 SMOTE 的传统机器学习方法在三分类性能上更为均衡。
-
新框架在容量约束下解决不平衡分类问题
研究人员开发了一个新的不平衡分类问题框架，特别适用于操作容量有限的情况。该方法显式控制了正预测率，确保了在优化检测性能的同时，对少数类实例的分类比例设定了用户定义的界限。该方法专为顺序数据和在线设置而设计，相比SMOTE等技术有所改进。
-
数据平衡策略：重采样和增强方法的系统性调查
本文对机器学习中的数据平衡策略进行了系统性回顾，涵盖了重采样和增强技术。它将方法从 SMOTE 等基础方法归类到先进的深度生成模型和集成策略。回顾强调，最佳方法的选择高度依赖于数据集特征和评估指标，并指出了未来的研究方向，例如将基础模型适应偏斜分布。