Aprovechando la inteligencia artificial para mejorar la generación de datos en la resolución del desequilibrio en sistemas de clasificación binaria

Este artículo profundiza en los desafíos de la clasificación binaria utilizando conjuntos de datos desequilibrados, particularmente cuando las instancias de interés son poco frecuentes. Explora un enfoque integral que integra la técnica de sobremuestreo de minorías sintéticas (SMOTE), redes generativas adversariales (GAN) y autoencoders variacionales (VAE) para mejorar los resultados de clasificación. Los modelos de clasificación tradicionales tienden a favorecer la clase mayoritaria, mientras que el impacto de los costos de clasificación errónea desequilibrados a menudo se pasa por alto. La integración de SMOTE, GAN y VAE en la clasificación binaria, o SMOTE-GAN-VAE, aborda estos desafíos al generar instancias sintéticas, refinar representaciones de datos y capturar características latentes. Para evaluar la efectividad de varios métodos de generación de datos, se utiliza un conjunto de datos de fraude con tarjetas de crédito. Las métricas de rendimiento consideradas incluyen el F0.5-score, F1-score y F2-score, que tienen en cuenta tanto la precisión como la recuperación. Los resultados indican que SMOTE-GAN-VAE supera a los métodos individuales, como SMOTE, GAN y VAE, demostrando su potencial para mejorar la representación de datos y la precisión de la clasificación, y superó el enfoque filtrado β-VAE empleado en la literatura anterior.