Key points are not available for this paper at this time.
تعتبر مشكلات مجموعات البيانات غير المتوازنة بشكل عام قضايا غير متناظرة. في المشكلات غير المتناظرة، قد تظهر نماذج الذكاء الاصطناعي انحيازات أو تفضيلات مختلفة عند التعامل مع فئات مختلفة. في عملية معالجة مشكلات التعلم ذات عدم التوازن بين الفئات، سيولي نموذج التصنيف اهتمامًا كبيرًا لعينة الفئة الأكثر انتشارًا ولا يمكنه ضمان الأداء التصنيفي لعينة الفئة الأقل انتشارًا، والتي قد تكون أكثر قيمة. من خلال مزامنة عينات الفئة الأقل انتشارًا وتغيير توزيع البيانات، يمكن تحسين مجموعات البيانات غير المتوازنة. تواجه خوارزميات العينة الزائدة التقليدية مشاكل العمى والغموض الحدودي عند مزامنة عينات جديدة. تم اقتراح خوارزمية إعادة تصنيف معدلة بناءً على التوزيع الغاوسي. أولاً، تُعاد تصنيف عينات الفئة الأقل انتشارًا بواسطة خوارزمية KNN. ثم، يتم اختيار استراتيجيات مزامنة مختلفة وفقًا لتركيبة عينات الفئة الأقل انتشارًا، ويتم استخدام التوزيع الغاوسي لاستبدال التوزيع العشوائي المتساوي لعملية التداخل تحت ظروف تصنيف معينة لتقليل إمكانية توليد عينات ضجيج. تشير النتائج التجريبية إلى أن خوارزمية العينة الزائدة المقترحة يمكن أن تحقق تحسينًا في الأداء بنسبة 2∼8% في مقاييس التقييم، بما في ذلك G-mean وF-measure وAUC، مقارنة بخوارزميات العينة الزائدة التقليدية.
درس تشين وآخرون (مون،) هذا السؤال.