May, 2024

SLIM：用于微服务中不平衡数据的可扩展轻量级根因分析

PDF
TL;DR利用决策规则集处理不平衡数据，本文提出了一种新方法，旨在适应改变服务中不平衡故障情景，并提供易于理解和验证的可解释故障原因。与现有的故障定位算法相比，该算法在准确性和模型可解释性方面表现优异。
fault localizationimbalanced datadecision rule setsminority faultchange service
发现论文，激发创造
  • 机器学习软件中的偏见：为什么？怎样？该怎么办？

    本研究拟定了 Fair-SMOTE 算法以解决自主决策中可能存在的偏见以及带来的问题，通过消除偏见标签、平衡内部分布使得基于敏感属性的示例在正负两类中均等地分布，从而提高了性能表现，并被证实是一种成功的偏差缓解方法。

    May, 2021

  • 深入探究语义规模不平衡

    本研究旨在定义和量化类别的语义规模，以测量各个类别的特征多样性，并提出了一种量化语义规模不平衡的方法，设计并实现了基于语义规模平衡的学习方法，在多个数据集上得到了优于传统方法的性能表现。

    Dec, 2022

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • 一种基于增量最大可满足性问题的平衡规则学习模型

    提出了一种基于 MaxSAT 的增量学习可解释和平衡规则的模型 IMLIB，并通过与 IMLI 在多个数据库上的比较表明，IMLIB 在准确性上与 IMLI 相当，生成尺寸更小且更平衡的规则。

    Mar, 2024

  • 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

  • 边缘拉普拉斯评分

    高维度不平衡数据中，无监督特征选择方法对于后续算法的成功至关重要。为此，我们提出了一种更适用于不平衡数据的边缘拉普拉斯得分（Marginal Laplacian Score，MLS）算法，并将其集成到现代特征选择方法中，形成 DUFS-MLS。该方法在合成数据和公共数据集上展示了鲁棒性和改进性能。

    Nov, 2023

  • M2m: 基于主次平衡转换的非均衡分类

    通过将更频繁出现的类别样本进行翻译，从而扩充较少出现的类别，这种简单的方法使分类器能够学习到少数类别更具有泛化性的特征，从而提高了在不平衡分类问题上的性能。实验结果表明，该方法在各种不平衡数据集上均优于现有的重取样或重加权方法，甚至超过了之前的最优方法。

    Apr, 2020

  • 在核空间中基于边缘化少数群体的 SMOTE 解决不平衡数据中的分类歧视

    基于决策边界和样本接近性关系的一种新的分类过采样方法，通过关注关键样本与决策超平面之间的距离以及周围样本的密度，提供了一种适应性过采样策略，在金融欺诈数据集上得出了可以提高少数类别分类准确性的有效和稳健的解决方案。

    Feb, 2024

  • 一种针对高度不平衡工业数据的成本敏感的 Transformer 模型

    该文介绍了一种新颖的成本敏感变压器模型，该模型通过融合混合型采样器和基于回归的填充器，以及经过严格测试的方法，从而在工业环境中预测故障方面表现出比现有方法更好的性能，并分析了所提出方法中不同组成部分的贡献。研究结果凸显了该方法在解决工业设置中故障预测的独特挑战方面的潜力，从而提高了工业操作的可靠性和效率。

    Jan, 2024

  • 应对非均衡分类中的多元少数群体

    通过迭代数据混合的马尔科夫决策过程（MDP）来解决不平衡数据集的问题，并通过使用数据扩充策略训练一个数据扩充策略并设计一种奖励信号，探索分类器的不确定性并鼓励性能提升，不考虑分类器的收敛，从而展示了解决具有不同类别少数样本的不平衡数据集的潜力和前景。

    Aug, 2023