Jul, 2023

嵌入图的直觉模糊 RVFL 用于类别不平衡学习

PDF
TL;DR本文介绍了一种解决机器学习中分类不平衡问题的新模型，将图嵌入和直觉模糊集与权重方案相结合，可从不平衡的数据集中提取语义信息、处理不确定性和不精确性，提高对各种基准不平衡数据集的分类效果，具有较强的实际应用价值和推广前景。
machine learningclass imbalance learningrandom vector functional link networkgraph embeddingintuitionistic fuzzy sets
发现论文，激发创造
  • 基于模糊推理系统的集成深度随机向量函数链神经网络

    基于模糊推理系统的基于集成深度随机向量功能链接的神经网络提供了更强大的特征学习能力，优于基线模型，并且具备可用的源代码。

    Jun, 2024

  • 利用随机向量函数链接网络进行高效均匀逼近

    本文证明了使用指数级输入层宽度的 Random Vector Functional Link（RVFL）神经网络和 ReLU 激活函数，可以在 L∞误差和高斯内部权重下近似 Lipschitz 连续函数，同时证明了基于概率论和谐分析的证明方法。

    Jun, 2023

  • 直觉模糊广义学习系统：提高对噪声和异常值的鲁棒性

    通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。

    Jul, 2023

  • 基于加权和修剪的集成深度随机向量功能链接网络用于表格数据分类

    本文提出了基于 Ensemble Deep Random Vector Functional Link (edRVFL) 的加权 edRVFL (WedRVFL) 和基于修剪的 edRVFL (PedRVFL) 网络，同时也提出了加权和修剪的 edRVFL 网络 (WPedRVFL)。实验结果表明，我们提出的方法在 24 个表格型 UCI 分类数据集上表现出超越其他最先进的深度前馈神经网络 (FNN) 的性能。

    Jan, 2022

  • 基于 RVFL 的非线性字典学习的一种无 SVD 方法

    本文介绍了一种基于 RVFL 的非线性字典学习算法，该算法学习将非线性稀疏系数映射到密集的输入特征的字典。实验证明，该方法在图像分类和重建应用中的表现与其他非线性字典学习方法相当，并且具有可伸缩性，提供比其他非线性字典学习方法更好的解决方案。

    Feb, 2024

  • 一种新的基于直觉模糊决策树的随机森林集成

    本文提出了一种基于直觉模糊随机森林（IFRF）的新型随机森林集成方法，结合了模糊逻辑和模糊集合的灵活性、随机抽样和特征选择的随机性以及多个分类器系统的鲁棒性，对复杂条件下的分类问题具有竞争力和优越性能。该方法通过使用直觉模糊信息增益选择特征并考虑信息传递中的犹豫性，在集成学习中使用直觉模糊决策树（IFDT），并通过广泛实验验证其优势。本研究首次提出了基于直觉模糊理论的随机森林集成算法。

    Mar, 2024

  • 基于图的类别不平衡学习综述

    该论文探讨了图数据分析中类不平衡的学习问题，并提出了结合图表示学习与类不平衡学习的解决方案 - 类不平衡图学习 (CILG)，并介绍了现有工作的分类法和与不平衡学习文献的联系，同时还对 CILG 的最新工作进行了批判性分析和未来研究方向的讨论。

    Apr, 2023

  • 基于投影的模糊最小二乘双支持向量机在类不平衡问题中的应用

    通过使用基于模糊逻辑的方法来处理类别不平衡和有噪声的数据集，对几种基准数据集和合成数据集进行了实验评估，结果显示所提出的 IF-RELSTSVM 和 F-RELSTSVM 模型在性能上优于基准算法，并进行了统计检验以验证所提出算法的显著性。

    Sep, 2023

  • 非 IID 图上的联邦图分类

    该文介绍了一种基于图聚类的联邦学习框架 GCFL，它通过动态发现基于 GNN 梯度的本地系统集群，从而降低本地系统拥有的图的结构和特征异质性。该框架通过动态时间规整设计梯度序列聚类机制（GCFL +），其有效地应用于各种现实世界的图形分类任务中。

    Jun, 2021

  • 动态网络中的容错垂直联合学习

    垂直联邦学习是一种联邦学习的类别，在这种类别中，每个客户端共享相同的样本空间，但仅持有特征的子集。本文提出了 Internet Learning（IL），包括其数据分割和网络环境，将性能表现优化为处理客户端的极端动态条件的主要目标。在模拟传感器网络的基础上，通过实现新方法，提出指标并广泛分析结果，证明所开发的方法对网络变化的鲁棒性更优于 VFL 基线。

    Dec, 2023