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)。