Apr, 2024

一种处理不平衡数据的生成式深度学习方法用于车祸严重程度建模

PDF
TL;DR该研究提出了一种基于条件数据生成对抗网络 (CTGAN-RU) 的交通事故数据生成方法，通过数据平衡和合成数据生成，用于交通事故严重性建模，结果表明使用 CTGAN-RU 生成的合成数据在交通事故严重性建模中优于使用原始数据或其他采样方法生成的合成数据。
data imbalancecrash severity modelingdata resampling methodsctgan-rusynthetic data
发现论文，激发创造
  • 基于条件 Wasserstein GAN 的表格数据过采样技术在不平衡学习中的应用

    本文提出基于条件 Wasserstein GAN 的过采样方法，可对包含数字和分类变量的表格数据集进行有效建模，并通过辅助分类器损失函数特别关注下游分类任务。实证结果表明 GAN 基于过采样的竞争力。

    Aug, 2020

  • 评估 GAN 生成的合成表格数据在类别平衡和低资源环境下的实用性

    本研究旨在解决分类任务中不平衡数据的问题，并评估 SMOTE、ADASYN 和 GAN 技术在生成合成数据以解决类别不平衡和提高分类模型在低资源环境下的性能方面的适用性。

    Jun, 2023

  • 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

  • 改进的 CTGAN 用于不平衡磁盘故障数据处理方法

    本文提出了一种基于改进的 CTGAN 的故障诊断方法，通过添加一个特定类别分类器和基于残差网络的判别器生成对抗网络，提供了一种可以学习磁盘故障数据内部信息的方法。实验结果表明，RCTGAN 合成的数据进一步提高了分类器的故障诊断精度。

    Oct, 2023

  • 基于多元 GAN 的磁盘故障预测模型的数据层次混合策略选择

    通过混合合成数据解决数据类别不平衡问题，并结合遗传算法提高对特定分类模型的磁盘故障分类预测准确率。

    Oct, 2023

  • SEMRes-DDPM：基于残差网络的扩散建模应用于不平衡数据

    基于 SEMRes-DDPM 的新型过采样方法有效提高了标签不平衡的表格数据生成质量，并在分类性能上胜过其他 SOTA 过采样方法。

    Mar, 2024

  • 损伤生成对抗网络：一种用于不平衡数据的生成模型

    本研究探讨了生成对抗网络（GANs）在不平衡数据集中的应用，旨在增强 GANs 在此类数据集中的性能和稳定性。通过引入一种称为 Damage GAN 的新型网络架构，该架构建立在 ContraD GAN 框架之上，无缝融合了 GANs 和对比学习，我们利用对比学习训练判别器以发展出能够区分所有提供的样本的无监督表示。通过模仿直观的对比学习视觉表示框架（SimCLR），我们提出了一种独特的损失函数，并探索了自我损伤对比学习（SDCLR）的实现，以进一步增强 ContraD GAN 模型的优化。与基准模型，包括深度卷积 GAN（DCGAN）和 ContraD GAN 进行比较评估，证明了我们提出的模型 Damage GAN 在应用于不平衡数据集时在生成的图像分布、模型稳定性和图像质量方面具有明显优势。

    Dec, 2023

  • 通过使用合成数据进行模型再平衡的公平生成对抗网络

    使用深度生成模型生成平衡数据，并提出的偏差缓解损失函数能够在非平衡数据集上改善公平性指标，同时保持图像质量。

    Aug, 2023

  • 使用条件 GAN 建模表格数据

    本篇论文设计了 TGAN 来处理离散与连续的表格数据，使用 7 个模拟数据集和 8 个真实数据集进行比较，结果表明 TGAN 在大多数的真实数据集上比贝叶斯方法表现更好，而其他深度学习方法则表现欠佳。

    Jul, 2019

  • PacketCGAN：使用 CGAN 探索加密流量分类的类别不平衡问题的研究

    本文提出了一种基于条件生成对抗网络（PacketCGAN）的通信数据增强方法，用于处理加密流量分类问题中不同加密应用程序数据不平衡的问题。实验证明，相对于其他数据扩充方法，基于 PacketCGAN 数据集的深度学习加密流量分类器胜过其他方法。

    Nov, 2019