前沿技术借鉴研讨-2025.9.23 (数据不平衡)

A denoising majority weighted minority oversampling technique for imbalanced classification (Expert Systems With Applications 2025) (1区)


【论文链接】

https://doi.org/10.1016/j.eswa.2025.128199
【核心目标】

提供了一种针对不平衡分类问题的数据增强方法,即DN-MWMOTE(Denoising Majority Weighted Minority Oversampling Technique),提升少数类样本的质量和数量,从而改善分类器对少数类的识别能力。
【具体步骤】

1)自适应噪声去除:KNN识别噪声,通过评估可疑噪声对分类器性能的影响(使用AUC指标),区分真正的噪声和误判的噪声,从而更准确地去除噪声。

2)样本权重计算:计算每个少数类样本与边界多数类样本的接近度和密度。

3)合成样本:从少数类样本集合中随机选择样本x,按权重选择样本y,通过线性插值合成新样本。

Optimizing stability of heart disease prediction across imbalanced learning with interpretable Grow Network (Computer Methods and Programs in Biomedicine 2025) (2区)


【论文链接】

https://doi.org/10.1016/j.cmpb.2025.108702
【核心目标】

提出一种适用于不平衡数据的、稳定的神经网络模型(GrowNet),用于心脏病预测。
【具体步骤】

1)特征选择:通过交叉列联表分析,结合年龄组、心脏病状态和其他健康特征,识别与心脏病在不同年龄段显著相关的特征。

2)自适应采样技术:对每个心脏病样本,找到其最近的k个邻居,如果邻居中健康样本太多,说明该心脏病样本处于"稀疏区域",则用线性插值生成新的合成心脏病样本;计算新生成样本与所有多数类样本的欧氏距离,如果距离小于阈值则认为是重叠样本,将其从训练集中删除。

3)生长网络(GrowNet):一种动态自适应神经网络架构(MLP),根据数据特性自动调整深度和宽度。

DRL-ECG-HF: Deep reinforcement learning for enhanced automated diagnosis of heart failure with imbalanced ECG data (Biomedical Signal Processing and Control 2025) (2区)



【论文链接】

https://doi.org/10.1016/j.bspc.2025.107680
【核心目标】

开发一种基于深度强化学习(DRL)的多实例模型(DRL-ECG-HF),用于从不平衡的心电图(ECG)数据中自动诊断心力衰竭(HF)。

相关推荐
郝学胜-神的一滴30 分钟前
Effective Python 条款36:优雅拼装迭代器与生成器
开发语言·数据结构·人工智能·python·numpy·scikit-learn
Frag0ut1 小时前
Chrome 2026浏览器AI助手全攻略:智能问答与内容创作实战进阶指南
人工智能·chrome·ai助手·本地大模型·浏览器ai·网页智能总结·侧边栏ai
如夏倾城2 小时前
入侵检测系统(IDS)原理、部署模式与 IPS/防火墙对比
大数据·网络·人工智能·网络安全·云原生·架构·kubernetes
Dawson Zhu2 小时前
【模型量化⑤】Weight-Only INT4:AWQ与GPTQ两大算法深度解析
人工智能·语言模型·架构·aigc·agi
水如烟2 小时前
孤能子视角:通用智能 vs 分工协同智能群系统–––集中结晶 vs 分布式结晶
人工智能
罗西的思考3 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
lilihuigz3 小时前
权限配置:WordPress 7.2 Abilities API 权限、输入验证与 JSON 输出指南
人工智能
杨凯凡3 小时前
IT日报|2026-11-20:欧盟 AI 网络攻击、Valkey 9.2、GitHub 企业迁移
人工智能·github
网安小学生(兼顾数据库版)3 小时前
艾体宝Mend接入CI/CD:如何实现开发流水线的安全左移?
经验分享·艾体宝·艾体宝it·艾体宝mend