代价敏感的分类器树

Oct, 2012

Cost-Sensitive Tree of Classifiers

Zhixiang Xu, Matt J. Kusner, Kilian Q. Weinberger, Minmin Chen

TL;DR本论文通过构建一颗代价敏感的分类器树来减少特征提取时间，从而解决在大规模实际应用中平衡分类器准确率和测试时间成本的挑战。

Abstract

Recently, machine learning algorithms have successfully entered large-scale real-world industrial applications (e.g. search engines and email spam filters). Here, the CPU cost during test time must be budgeted and accounted for. In this paper, we address the challenge of balancing the

machine learning test-time cost feature extraction classifier accuracy cost sensitive tree

发现论文，激发创造

贪婪的守财奴：在测试时间预算下的学习

提出了用于机器学习应用中的算法 —— 贪心守财奴算法，能够在训练期间控制特征提取成本，从而在测试期间明确地最小化 CPU 时间以实现成本效益。相比之前的工作，它具有显着的成本效益，并适用于更大的数据集。

Jun, 2012

面向安全应用的成本感知鲁棒树集成

该论文提出了一种基于成本驱动的约束来训练鲁棒性决策树模型的成本建模方法，在 Twitter 垃圾邮件检测等场景中显示出比现有方法更高的准确性、更低的误报率和更强的成本感知鲁棒性。

Dec, 2019

测试代价敏感方法用于识别附近的点

研究缺失数据的测试成本敏感方法，用于识别具有未知特征值的新点从大型数据集中找到附近点的问题。提出了两个模型：一种基于树，另一种基于深度强化学习，模拟表明这些模型在五个真实数据集上比随机代理效果好。

Oct, 2020

面向成本和误差敏感分类的软方法论

本论文提出了一种新颖的代价敏感分类方法，称为软代价敏感分类，通过多准则优化将代价和错误率相结合，可以改善现有的代价敏感分类算法，并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明，该方法在测试错误率和测试代价方面都比现有的代价敏感分类算法更优秀。

Oct, 2017

成本敏感分类：混合遗传决策树归纳算法的实证评估

介绍了 ICET 算法，利用遗传算法演化出一种适合决策树归纳算法使用的一种偏倚，通过实验发现 ICET 算法在五个医疗数据集上的表现明显优于 EG2、CS-ID3、IDX 和 C4.5 四种算法，并且对 ICET 的优化也得到了探索。

Mar, 1995

测试时间预算上的鲁棒文本分类器

提出一种通用且可解释的学习框架，以构建健壮的文本分类模型，在测试时间预算限制下实现与完整模型可比的准确性。该方法学习选择器来识别预测任务相关的单词，并将其传递给分类器进行处理。选择器与分类器一起进行训练，并直接学习与分类器相结合。我们进一步提出了一种数据聚合方案，以提高分类器的鲁棒性。我们的学习框架很普遍，可以与任何类型的文本分类模型结合使用。在真实数据上，我们展示了所提出的方法提高了给定分类器的性能，并在准确性性能稍微降低的情况下加快了模型的速度。

Aug, 2018

自适应的代价敏感的在线分类

本文提出了一类基于自适应正则化的代价敏感在线分类算法，并将描绘技术引入到算法中以提高效率。通过针对真实世界的在线异常检测任务的应用，证明了该算法在各种领域中解决代价敏感在线分类问题的有效性和效率。

Apr, 2018

带测试成本约束的特征选择

该论文提出了一种具有测试成本限制的特征选择问题，并使用了回溯算法和启发式算法来解决该问题，并对某些现有的特征选择问题进行重新定义。

Sep, 2012

支持向量机的成本敏感特征选择

通过数学优化的特征选择过程嵌入到支持向量机分类过程中，结合了不对称的分类错误代价，旨在减少特征数量并保持误分类率的平衡。

Jan, 2024

多类别成本敏感深度学习的成本感知预训练

本文提出一种新的成本感知算法，将成本信息合并到深度学习的预训练阶段和训练阶段，以提高性能并优于没有合并成本信息的深度学习模型。

Nov, 2015