精选理由
这篇论文提出了QC-SMOTE，在30个数据集上比传统SMOTE获得更好的AUC和F1分数，特别适合处理中度到高度不平衡的数据。
QC-SMOTE提出一种质量控制过采样框架，通过复合邻域信任度评分估计少数类样本可靠性。生成候选样本时采用IPQ引导的最佳K策略，评估中点纯度并考虑多数类清除。方法根据重叠-不平衡程度自适应调整插值范围和选择标准。在30个不平衡数据集上的重复分层交叉验证显示，QC-SMOTE在平均AUC-ROC和Macro F1上优于对比过采样方法，在中度和严重不平衡下提升尤为明显。
AI 翻译 · 中文
QC-SMOTE提出一种质量控制过采样框架，通过复合邻域信任度评分估计少数类样本可靠性。生成候选样本时采用IPQ引导的最佳K策略，评估中点纯度并考虑多数类清除。方法根据重叠-不平衡程度自适应调整插值范围和选择标准。在30个不平衡数据集上的重复分层交叉验证显示，QC-SMOTE在平均AUC-ROC和Macro F1上优于对比过采样方法，在中度和严重不平衡下提升尤为明显。
Class imbalance poses a significant challenge in classification, where existing methods such as SMOTE often generate low-quality synthetic samples in regions with noise or class overlap. We propose QC-SMOTE, a quality-co…