科研動(dòng)態(tài)
加權(quán)k最近鄰圖拉普拉斯矩陣分解的不平衡樣例選擇
中文題目：加權(quán)k最近鄰圖拉普拉斯矩陣分解的不平衡樣例選擇
論文題目：Imbalanced Instance Selection Based on Laplacian Matrix Decomposition with Weighted k Nearest Neighbor Graph
錄用期刊/會議：Neural Computing and Applications (中科院SCI 3區(qū)，JCR Q2)
原文DOI：https://doi.org/10.1007/s00521-024-09676-0
原文鏈接：https://link.springer.com/article/10.1007/s00521-024-09676-0
錄用/見刊時(shí)間：2024.04.22
作者列表：
1）代 琪 中國石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 控制科學(xué)與工程 博20
2）劉建偉 中國石油大學(xué)（北京）信息科學(xué)與工程學(xué)院/人工智能學(xué)院 自動(dòng)化系 教師
3）王龍輝 華北理工大學(xué) 理學(xué)院
摘要:
數(shù)據(jù)是構(gòu)建機(jī)器學(xué)習(xí)模型的基本組成部分。線性可分的高質(zhì)量數(shù)據(jù)有利于構(gòu)建高效的分類模型。但是，在現(xiàn)實(shí)世界中，采集的數(shù)據(jù)并不是高質(zhì)量的，他們的每個(gè)類的樣本數(shù)量并非絕對一致。因此，在這些數(shù)據(jù)集上構(gòu)建的模型容易受到類不平衡、類重疊和噪聲等問題的影響。傳統(tǒng)的樣本選擇算法主要是根據(jù)樣本之間的近似程度，判斷樣本是否存在冗余或重疊。因此，這些方法只關(guān)注了數(shù)據(jù)集的局部信息，忽略了樣本在數(shù)據(jù)集中的全局近似關(guān)系。在本文中，提出一種根據(jù)樣本在數(shù)據(jù)集中的全局關(guān)系的樣本選擇方法，稱為加權(quán)近鄰圖拉普拉斯矩陣分解的樣本選擇方法(LMD-WNG)。首先，該方法嘗試使用加權(quán)k最近鄰圖構(gòu)建一個(gè)新的距離加權(quán)拉普拉斯矩陣。然后，使用矩陣分解方法分解距離加權(quán)拉普拉斯矩陣。最后，根據(jù)分解后的實(shí)矩陣的特征值選擇適合模型學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，并在新的訓(xùn)練數(shù)據(jù)集上構(gòu)建分類器。
背景與動(dòng)機(jī):
目前已經(jīng)提出了大量的處理類不平衡問題的預(yù)處理技術(shù)。部分研究者認(rèn)為，過采樣技術(shù)比欠采樣技術(shù)更有效。然而，我們認(rèn)為這樣的描述并不全面，并不是在所有數(shù)據(jù)集上，過采樣技術(shù)都是最優(yōu)的方法。不妨簡單的思考一下，當(dāng)少數(shù)類樣本過于稀疏且與多數(shù)類樣本存在重疊時(shí)，直接使用傳統(tǒng)的過采樣技術(shù)，生成的人工樣本仍然與多數(shù)類重疊，不利于傳統(tǒng)分類器學(xué)習(xí)數(shù)據(jù)集的分類邊界。除此之外，在實(shí)驗(yàn)室中使用過采樣可能會提高評價(jià)指標(biāo)的結(jié)果。在實(shí)際應(yīng)用領(lǐng)域中，生成的偽少數(shù)類樣本很可能不能代表實(shí)際的樣本，導(dǎo)致分類模型無法識別新的未知樣本。因此，我們認(rèn)為對于重采樣技術(shù)中的過采樣技術(shù)和欠采樣技術(shù)，他們之間并非占有絕對的優(yōu)勢，而是應(yīng)該針對不同的問題共同發(fā)展。
拉普拉斯矩陣是圖論中的常用方法。我們嘗試將拉普拉斯矩陣的思想引入樣本選擇或欠采樣技術(shù)中，解決類不平衡問題。使用度量學(xué)習(xí)方法，構(gòu)建相似矩陣，利用正負(fù)慣性趨勢搜索數(shù)據(jù)集的全局相似度趨勢，從而實(shí)現(xiàn)數(shù)據(jù)集的欠采樣。我們認(rèn)為在數(shù)據(jù)集中越相似的不同類的樣本越容易成為數(shù)據(jù)集中的重疊樣本。
此外，k最近鄰圖的邊并沒有權(quán)重，當(dāng)生成拉普拉斯矩陣時(shí)，我們直接將鄰接矩陣中對應(yīng)位置標(biāo)注為1。使用這樣的做法有一個(gè)潛在的假設(shè)，即認(rèn)為與頂點(diǎn)連接的樣本的權(quán)重是相同的，這樣并不利于分辨近鄰圖中相鄰樣本點(diǎn)的距離遠(yuǎn)近。因此，我們使用距離度量的方式，計(jì)算出相鄰樣本之間的距離，將其作為k最近鄰圖中對應(yīng)邊的權(quán)重，并使用加權(quán)k最近鄰圖生成拉普拉斯矩陣。
設(shè)計(jì)與實(shí)現(xiàn):
提出的加權(quán)k最近鄰圖拉普拉斯矩陣分解的樣例選擇（LMD-WNG）流程圖如下所示。
主要內(nèi)容:
LMD-WNG是一種結(jié)合拉普拉斯矩陣和矩陣分解技術(shù)的樣本選擇方法，據(jù)我們所知，該方法是首次在類不平衡問題上結(jié)合拉普拉斯矩陣和矩陣分解技術(shù)的新方法。該方法分為四個(gè)階段：構(gòu)建k最近鄰圖、計(jì)算標(biāo)準(zhǔn)加權(quán)拉普拉斯矩陣、矩陣分解(Schur分解)和樣本選擇。
在第一階段中，我們使用k最近鄰方法搜索樣本空間并形成最近鄰圖。
第二階段則是根據(jù)k最近鄰圖計(jì)算鄰接矩陣和度矩陣，并計(jì)算k最近鄰圖的標(biāo)準(zhǔn)加權(quán)拉普拉斯矩陣。
Schur分解則是在第三階段進(jìn)行，這個(gè)階段主要是分解標(biāo)準(zhǔn)加權(quán)拉普拉斯矩陣，獲取標(biāo)準(zhǔn)加權(quán)拉普拉斯矩陣對應(yīng)的特征值。
第四階段，樣本選擇則是根據(jù)拉普拉斯矩陣中對應(yīng)位置的特征值的大小選擇多數(shù)類中的樣本。最后，將選擇的多數(shù)類樣本與訓(xùn)練集中的少數(shù)類樣本合并，形成新的訓(xùn)練集。
實(shí)驗(yàn)結(jié)果及分析:
在30個(gè)不平衡數(shù)據(jù)集上進(jìn)行參數(shù)敏感實(shí)驗(yàn)，并與其他先進(jìn)方法進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如下所示。
(a)輕度不平衡
(b)中度不平衡
(c)高度不平衡
圖1 使用GBDT時(shí)的參數(shù)敏感性分析
(a)輕度不平衡
(b)中度不平衡
(c)高度不平衡
圖2 使用RF作為基分類器時(shí)的參數(shù)敏感性分析
(a)輕度不平衡
(b)中度不平衡
(c)高度不平衡
圖3 使用SVM作為基分類器時(shí)的參數(shù)敏感性分析
與先進(jìn)樣本選擇或數(shù)據(jù)增強(qiáng)方法的對比實(shí)驗(yàn)結(jié)果如下所示：
表1 使用AUC評估模型時(shí)的性能結(jié)果
表2 使用G-mean評估模型時(shí)的性能結(jié)果
結(jié)論:
樣本選擇算法是解決類不平衡問題的研究方法之一，需要根據(jù)數(shù)據(jù)集中的樣本信息，選擇信息量較大的樣本加入訓(xùn)練集。當(dāng)數(shù)據(jù)集中少數(shù)類樣本數(shù)量較多時(shí)，可以使用傳統(tǒng)的重采樣技術(shù)增強(qiáng)少數(shù)類或刪除多數(shù)類，但是當(dāng)數(shù)據(jù)集中的少數(shù)類樣本較少時(shí)，需要篩選訓(xùn)練集中的多數(shù)類樣本，從而提高模型的整體性能。對于高度不平衡數(shù)據(jù)集，LMD-WNG的性能更加穩(wěn)定，并不會受到類不平衡問題的影響。然而，LMD-WNG樣本選擇算法的性能將會隨著數(shù)據(jù)集不平衡比的增加而變得對超參數(shù)k更加敏感。因此，需要更高效的參數(shù)選擇方法確定超參數(shù)。LMD-WNG是首次將數(shù)據(jù)轉(zhuǎn)化為圖結(jié)構(gòu)并選擇樣本的算法。因此，在未來的工作中，可以將它與其他方法結(jié)合使用，并且能夠充分探索根據(jù)數(shù)據(jù)結(jié)構(gòu)選擇樣本。
通訊作者簡介:
劉建偉，教師，學(xué)者。研究領(lǐng)域涉及在線學(xué)習(xí)（包括強(qiáng)化學(xué)習(xí)，賭博機(jī)算法，持續(xù)學(xué)習(xí)，長尾學(xué)習(xí)）；圖像視頻顯著性目標(biāo)檢測，解糾纏表示學(xué)習(xí)，光場和神經(jīng)場模型，以及圖像視頻少樣本變化檢測；自然語言理解中的知識補(bǔ)全，圖神經(jīng)網(wǎng)絡(luò)；不平衡數(shù)據(jù)處理；霍克斯點(diǎn)過程故障預(yù)測與診斷；非線性預(yù)測與控制。 是兵器裝備工程學(xué)報(bào)第三屆編輯委員會委員。歷屆中國控制會議(CCC)和中國控制與決策會議(CCDC)的程序委員會委員。擔(dān)任過80多個(gè)國際會議的TPC。