AITOP

类别不平衡

共 3 条相关 AI 资讯
7月16日
09:31
09:31官方账号arXiv cs.AI@Nan Chen, Zemin Liu, Bryan Hooi, Bingsheng He, Jun Hu, Jia Chen
论文提出NodeImport框架，针对图神经网络在类不平衡场景下对少数类过拟合的问题。该方法通过构建平衡元集来测量节点重要性，筛选出能提升无偏模型性能的标签、未标签及合成节点。理论推导出直接评估节点重要性的公式，并引入阈值用于节点选择。在多个数据集上使用GCN、GAT等架构进行测试，结果优于现有基线方法。
论文NodeImport图神经网络类别不平衡
推荐理由：这篇论文讲怎么解决图数据里类别不平衡的问题，NodeImport能动态挑出重要节点，不用重新生成太多假数据，效果还比现有方法好。做图神经网络、节点分类的可以看看方法细节。
原文
7月13日
10:47
10:47官方账号arXiv cs.AI@Cláudio Lúcio do Val Lopes, Lucca Machado da Silva
金融异常检测面临极端类别不平衡，传统单目标算法常出现“欺诈崩溃”。研究者提出 Semantic Pareto-DQN，一个基于多目标强化学习的框架。它利用大语言模型将异构交易特征编码为自然语言状态表示，并优化包含金融效能、操作摩擦和语义发现的向量奖励。在电子商务欺诈和UCI Credit数据集上，该框架成功打破零召回陷阱，相比标量化基线提升了少数类召回率。
AI模型Semantic Pareto-DQN多目标强化学习金融异常检测
推荐理由：金融欺诈检测的老大难问题有了解法：Semantic Pareto-DQN 不用重采样，直接多目标优化，既能抓到欺诈又少误拦正常交易。
原文
6月25日
10:42
10:42官方账号arXiv cs.LG@Zhengchi Ma, Pengfei Lyu, Anru R. Zhang
该论文建立了一个理论框架，分析合成数据增强对基于分数的分类指标（AUROC、AUPRC、最佳阈值平衡准确率、最佳阈值F1分数）的影响。将增强效应分解为类权重变化和合成数据与真实分布之间的偏差。在模型设定正确时，增强无法提供总体改进，仅可能减少有限样本方差，但会因合成分布误差引入额外偏差。在模型错误指定时，增强可通过改变有效类平衡来纠正原始不平衡目标下的排序错误。仿真结果表明，设定正确时收益有限，错误指定时存在非单调改善。
论文合成数据增强类别不平衡AUROC
推荐理由：这篇论文把合成数据增强对不平衡分类的效果掰开了讲：模型对的时候加数据没提升，模型错的时候加数据有救但别指望线性增益。
原文