Apr, 2023

面向类不平衡问题的集成学习和数据增强模型综述：组合、实现与评价

PDF
TL;DR本文通过对 10 种数据增强方法和 10 种集成学习方法在不平衡数据集上的计算机评估，提出了一种通用框架，从而确定数据增强与集成学习的最佳组合，以显著提高不平衡数据集的分类性能。
发现论文，激发创造
  • 组合集成和数据增强可能损害您的校准

    研究表明，在神经网络预测中平均多个集成模型和使用数据增强技术可以提高模型的校准性和鲁棒性，但是结合这两种方法会损害模型的校准性。研究者发现这是由于模型的置信度在使用多组权重和数据增强时过于保守。作者通过提出简单的方法来解决这种问题，并在 CIFAR-10，CIFAR-100 和 ImageNet 上实现了新的不确定性校准技术。

    Oct, 2020

  • 基于遗传规划的混合集成优化算法用于不平衡数据分类

    本研究提出了一个基于遗传编程的混合集成算法，以提高训练数据集（尤其是少数类）的采样效率，并确定比现有方法更好的基本分类器来组合分类器，实验结果表明，在 40％和 50％的训练集规模下，所提出的方法在少数分类预测的特定数据集上表现更佳。

    Jun, 2021

  • 通过联合生成和分类缓解数据集不平衡

    本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

    Aug, 2020

  • 深度学习图像分类中基于置信度集成的评估

    使用了 Conf-Ensemble 技术来提高机器学习模型的性能，通过对 ImageNet 数据集的图像分类实验，发现 Conf-Ensemble 在复杂的多标签分类任务中并未能如预期一样实现优化结果，也说明了大数据难以被利用的非平凡性。

    Mar, 2023

  • 旋转增强技术：图像分类集成学习的新视角

    本研究提出了一种新方法，在原始数据集上进行基于旋转的数据增强， 使用集成学习系统确定增强阶段获取的每个子集中最可靠的结果，以获得每个原始图像的最终预测并发现使用基于集成的投票系统比简单投票方法产生更准确的结果。

    Jun, 2023

  • 在不平衡的文本数据集中使用增强技术是否能有效提高预测结果？

    通过研究不均衡数据集，本文提出了不一定需要数据增广，而是可以通过调整分类器截断点来达到和过采样技术相同的效果。这一发现为处理不均衡数据提供了更好的方法选择建议。

    Apr, 2023

  • 基于 GAN 的数据增强解决类别不平衡问题

    在信用卡欺诈检测中，机器学习被广泛运用，但因为样本集类别分布存在不平衡，这可能导致模型预测全部为多数类别而无法推广到真实情况。因此，我们使用生成对抗网络来生成一些少数类别虚拟数据，以缓解类别分布不平衡问题，从而更有效地学习数据。

    Jun, 2022

  • 多样化合奏提高校准度

    本文探讨了在深度神经网络中使用集成学习以及数据增强等技术，以提高 CIFAR10 和 CIFAR100 基准数据集的准确率和校准度。

    Jul, 2020

  • 集成深度学习：综述

    本文综述了最新的深度集成学习模型的分类和应用，并指出了未来研究的方向。

    Apr, 2021

  • 使用深度卷积神经网络优化的集成学习医学图像分类分析

    该研究提出了一种可复现的医学图像分类管道，分析了集成学习技术在深度学习医学图像分类管道中的优化效果，发现 Stacking 技术效果最好，能增加 13％的 F1 得分，此外，Augmenting 和 Bagging 技术也能显著提高性能。此外也展示了简单的统计汇总函数与较复杂的机器学习技术汇总函数相比并不逊色。综述结果表明，集成学习技术的使用能够为医学图像分类管道提高性能和抗干扰能力。

    Jan, 2022