AdaCC: 累积代价敏感增强学习用于不平衡分类

Sep, 2022

AdaCC: 累积代价敏感增强学习用于不平衡分类

AdaCC: Cumulative Cost-Sensitive Boosting for Imbalanced Classification

Vasileios Iosifidis, Symeon Papadopoulos, Bodo Rosenhahn, Eirini Ntoutsi

TL;DR本文提出了一种新的成本敏感的提升方法 AdaCC，该方法不依赖于固定的错误分类成本矩阵，而是根据模型性能动态调整误分类成本，优于 12 种现有方法，在 27 个真实世界数据集上实现了稳定的改进。

Abstract

class imbalance poses a major challenge for machine learning as most supervised learning models might exhibit bias towards the majority class and under-perform in the minority class. cost-sensitive learning tackl

class imbalance cost-sensitive learning boosting misclassification costs imbalanced data

发现论文，激发创造

BAdaCost: 多类别带代价的 Boosting

我们提出了一种多类别的成本敏感分类算法 BAdaCost，它在 Boosting 框架中结合了一组成本敏感的多类弱学习器，以获得强分类规则。通过引入 CMEL（成本敏感的多类别指数损失）推导出该算法，从而统一了 AdaBoost、SAMME、成本敏感 AdaBoost 和 PIBoost 等各种分类算法的优化损失函数，最终构建了一个共同的理论框架。通过实验，我们证明 BAdaCost 与之前的多类别成本敏感方法相比，在性能上取得了显著的提升。同时，我们还评估了该算法在多视角人脸和车辆检测问题中在不对称多类别分类中的优势。

Feb, 2024

基于代价敏感学习的深度特征表示从非平衡数据中学习

该研究提出了一种基于成本敏感深度神经网络的方法，可以在不改变原始数据分布的情况下解决类别不均衡的问题，并在六个主要图像分类数据集上进行了实验证明其明显优于现有方法。

Aug, 2015

AdaFair: 累积公平自适应提升算法

研究机器学习如何处理公平性和防止基于敏感属性的预测性歧视问题，并提出一种名为 AdaFair 的基于 AdaBoost 分类器的方法，该方法显式地处理类别不平衡并在维持分类准确性的同时优化公平性，实验证明其在平衡错误方面比现有的公平性方法表现显著好 25％。

Sep, 2019

非参数主动学习用于成本敏感分类

设计了一种用于成本敏感分类的通用非参数主动学习算法，通过构建每个标签的预测成本函数的置信区间，该算法选择最具信息量的向量点，通过仅查询可能是最小的预测成本来与其交互，证明了该算法在与向量空间的交互数量方面达到了最优收敛速率，并且在对 Tsybakov 的噪声假设的一般版本中，通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益，并且通过提供匹配的（仅差对数因子的）下界证明了获得上界的接近最优性。

Sep, 2023

CUSBoost: 基于聚类的欠采样和增强学习的不平衡分类

本文提出了 CUSBoost 算法，它是一种基于聚类和 AdaBoost 算法的欠采样方法，用于有效解决类别不平衡问题，实验结果表明，CUSBoost 是处理高度不平衡数据集的一个有前途的、有效的方法。

Dec, 2017

对抗性样本的代价敏感强健性

本文研究了在实际应用中，某些对抗变换的重要性可能比其他变换更高的情况下，如何衡量分类器在对抗干扰下的鲁棒性，并提出了一般性的目标函数，将 Wong 和 Kolter（2018）的鲁棒训练方法进行了改进。通过实验证明，所提出的方法可以显著降低成本敏感鲁棒错误，同时保持分类准确性。

Oct, 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

基于奇偶校验的累积公平感知 Boosting

该研究提出了 AdaFair 算法，它可以有效地处理数据驱动的人工智能系统中的歧视问题，在平衡不足的情况下实现了性别、种族等保护属性的公平，同时保持预测性能。

Jan, 2022

通过随机平滑实现可证明稳健的代价敏感学习

我们研究了在成本敏感场景中学习对抗鲁棒分类器的问题，通过一个二进制成本矩阵编码不同分类的敌对转换的潜在危害。我们提出了一种能够为任意成本矩阵提供严密鲁棒性保证的改进版随机平滑认证方法，并使用针对不同数据子组的细粒度认证半径优化方案，提出了一种优化成本敏感鲁棒性的平滑分类器训练算法。我们在图像基准测试和现实世界医学数据集上的大量实验证明了我们方法在实现显著改善认证成本敏感鲁棒性性能的同时，对整体准确性的影响可以忽略不计。

Oct, 2023

基于卷积的成本敏感神经网络用于不平衡时间序列分类

本文提出了一种自适应的代价敏感学习策略，用于修改深度学习模型，以解决不平衡时间序列分类任务中的问题，并证明了该策略能够有效地改进卷积神经网络和残差网络的分类性能，从而应用于不平衡时间序列分类问题。

Jan, 2018