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）。