不平衡分类方法及其应用

人工智能领域的分类任务面临数据类别不平衡、特征交叠、样本分布模式多样等挑战。二元不平衡分类问题作为不平衡分类问题的一种典型情况，近年来受到研究人员的广泛关注。本书聚焦这一问题，通过实际的算法案例梳理了不平衡分类领域的重难点，并提出了对应的解决思路与方法。所提方法不仅能提升智能电表等设备的故障分类准确率，还能为情感分类、疾病诊断等具有相似数据分布特点的应用场景提供可行方案，具有重要的理论意义和实际应用价值。本书共11章，每章独立解析一类典型问题并给出针对性策略，同时验证了所提方法的有效性。
本书适合人工智能、机器学习、数据分析等领域的研究者、从业者及高校师生参考学习。

第1章 基于生成样本分布优化的不平衡分类方法
1.1 引言
1.2 基于多目标进化算法的样本分布优化方法研究
1.2.1 少数类样本过采样
1.2.2 基于多目标进化算法的样本分布优化
1.3 实验与评估
1.3.1 参数设置
1.3.2 公开数据集的结果与分析
1.3.3 智能电表故障数据集的结果与分析
本章小结
第2章 基于样本空间映射的不平衡分类方法
2.1 引言
2.2 相关理论基础
2.3 基于类别差异约束流模型空间映射的不平衡分类方法
2.4 实验与评估
2.4.1 实验设置
2.4.2 人工数据集的结果与分析
2.4.3 公开数据集的结果与分析
2.4.4 智能电表故障数据集的结果与分析
本章小结
第3章 面向多类样本特征交叠情况下的不平衡分类方法
3.1 引言
3.2 基于样本迁移和交叠区边界增强的样本生成方法
3.2.1 跨类别样本生成框架
3.2.2 交叠区样本生成技术
3.3 实验与评估
3.3.1 参数设置
3.3.2 公开数据集的结果与分析
3.3.3 智能电表故障数据集的结果与分析
本章小结
第4章 面向数据多模态分布条件下的不平衡分类方法
4.1 引言
4.2 相关理论基础
4.2.1 VAE和GAN
4.2.2 VAE/GAN和InfoGAN
4.3 样本级数数据生成方法
4.4 特征斥力与特征构造
4.4.1 特征斥力
4.4.2 特征构造
4.5 实验与评估
4.5.1 参数设置
4.5.2 公开数据集的结果与分析
4.5.3 智能电表故障数据集的结果与分析
本章小结
第5章 数据分区混合采样驱动模型动态选择的不平衡分类方法
5.1 引言
5.2 区域划分和边界少数类加权过采样方法
5.3 数据分区混合采样和模型动态选择
5.4 DPHS-MDS方法的整体描述
5.5 实验与评估
5.5.1 参数设置
5.5.2 公开数据集的结果与分析
5.5.3 智能电网调度控制系统中业务数据的结果与分析
本章小结
第6章 基于共性信息自适应判别的不平衡分类方法
6.1 引言
6.2 基于共性信息自适应判别的跨类别样本迁移方法
6.2.1 方法提出动机
6.2.2 跨类别样本迁移过程
6.2.3 基于迁移任务的联合判别方法
6.3 实验与评估
6.3.1 实验设置
6.3.2 公开数据集的结果与分析
6.3.3 智能电表故障数据集的结果与分析
本章小结
第7章 基于对比学习思想的不平衡分类方法
7.1 引言
7.2 近邻样本对构造方法
7.3 集成对比故障分类框架
7.4 实验与评估
7.4.1 参数设置
7.4.2 公开数据集的结果与分析
7.4.3 智能电表故障数据集的结果与分析
本章小结
第8章 构造目标-近邻样本对进行多标签置信度比较的不平衡分类方法
8.1 引言
8.2 目标-近邻样本对的构造方法及数据扩充方法
8.3 基于多标签置信度比较的不平衡分类方法
8.4 实验与评估
8.4.1 参数设置
8.4.2 公开数据集的结果与分析
8.4.3 智能电表故障数据集的结果与分析
本章小结
第9章 基于多近邻相似性差异比较的不平衡分类方法
9.1 引言
9.2 基于多近邻相似性差异的对比分类模型
9.3 针对样本分布的数据扩充方法
9.4 基于生成对抗思想的对比任务可靠性保障机制
9.5 实验与评估
9.5.1 参数设置
9.5.2 公开数据集的结果与分析
本章小结
第10章 基于元学习和边界增强策略的不平衡分类方法
10.1 引言
10.2 预备知识——元学习
10.3 方法
10.3.1 元学习不平衡分类框架
10.3.2 基于贝叶斯不平衡影响指数的边界增强策略
10.4 实验与评估
10.4.1 数据集和评价指标
10.4.2 参数设置
10.4.3 公开数据集的结果与分析
10.4.4 智能电表故障数据集的结果与分析
本章小结
第11章 基于一对多框架的不平衡分类方法
11.1 引言
11.2 基于一对多框架的差分分区采样集成方法
11.3 实验与评估
11.3.1 公开数据集的结果与分析
11.3.2 智能电表故障数据集的结果与分析
本章小结
参考文献
附录