Dec, 2023
用于不平衡线性分类的扩展非对称S型神经元（SIGTRON）
An extended asymmetric sigmoid with Perceptron (SIGTRON) for imbalanced
linear classification
TL;DR本文介绍了一种名为SIGTRON的新的多项式参数化Sigmoid函数，并提出了其伴随的凸模型SIC模型，该模型使用了一种虚拟的SIGTRON诱导的凸损失函数。与传统的加权成本敏感学习模型不同，SIC模型在损失函数上没有外部的加权，但在虚拟的SIGTRON诱导损失函数中有内部参数。因此，当给定的训练数据集接近良好平衡的条件时，我们发现所提出的SIC模型对数据集的变化更适应，例如训练集和测试集之间的规模类不平衡比的不一致性。此适应性是通过创建一个倾斜的超平面方程来实现的。此外，我们通过开发一种基于区间的二分线搜索，提出了虚拟凸损失的拟牛顿优化（L-BFGS）框架。从实证上看，我们观察到所提议的方法在51个二分类和67个多类别数据集的测试分类准确性方面优于加权的凸焦点损失和平衡分类器LIBLINEAR（逻辑回归、SVM和L2SVM）。在二分类问题中，当训练数据集的规模类不平衡比不显著但存在不一致性时，一组针对每个数据集（TOP1）具有最佳测试准确性的SIC模型优于LIBSVM（基于核函数的分类器）。