偏好采样神经网络

平衡分类鲁棒

针对梯度淹没和正样本表征不足问题，采用信息量欠采样与边界扩展策略，在不平衡数据分类上取得更优性能。

Huang, Zhanao · Sang, Yongsheng · Sun, Yanan · 吕建成

IEEE Transactions on Neural Networks and Learning Systems 2023

参数信息

最佳AUC数据集数

26

测试数据集数

34

不平衡比范围上限

100.14

技术优势

解决梯度淹没

信息量欠采样策略基于性能退化导出，能从数据层面恢复神经网络在不平衡数据下的学习能力。

缓解正样本表征不足

采用线性插值和预测一致性约束的边界扩展策略，增加正样本的经验表征。

应用场景

• 不平衡分类：直接用于类别不平衡场景的分类任务，无需手动平衡数据。
• 智能决策：提升稀有事件预测准确率，支撑更可靠的决策。
• 设备故障诊断：故障样本少时仍能有效学习，提高诊断准确性。
• 图像识别：处理图像类别不均衡，如罕见物体识别。