کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942676 1437414 2017 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Distance based resampling of imbalanced classes: With an application example of speech quality assessment
ترجمه فارسی عنوان
نمونه برداری مجدد از راه دور از کلاس های عدم تعادل: با مثال کاربردی از ارزیابی کیفیت گفتاری
کلمات کلیدی
تعادل بر اساس فاصله، یادگیری بی نظیر، توزیع دوتایی، نزدیکترین همسایگان، شبکه عصبی، طبقه بندی سیگنال گفتار،
ترجمه چکیده
این مقاله یک رویکرد روش شناسی عمومی جدید برای یادگیری نامتعادل به عنوان یکی از مشکلات چالش برانگیز در طبقه بندی الگو ارائه می دهد. روش ارائه شده بر روی حداکثر سازی آنتروپی نمونه است. این روش شامل تشخیص ویژگی های توزیع نمونه ای از شبکه مطلوب متعادل متعادل و انتقال قابل قبول این خواص به یک نمونه عدم توازن دلخواه و افزایش نمایندگی آن است. روش پیشنهادی فرضیه های زیر را در مناطقی با تراکم احتمال بالا در فضای نمونه ترکیب شده با فراوانی در مناطق چگالی کم به کار می گیرد. دستاورد اصلی این روش، افزایش نمونه آنتروپی کلاس نمونه است که تمایل یادگیرنده القا کننده را به نفع کلاس برجسته یا خوشه ای کاهش می دهد. علاوه بر متعادل سازی کلاس، این روش می تواند برای تقریب تابع، خوشه بندی و کاهش ابعاد نمونه مفید باشد. درجه بالایی از روش، کاربرد کاربرد آن در داده های پیچیدگی و عدم تعادل را نشان می دهد. مبانی نظری ارائه شده در این روش بر روی مجموعه ای از نمونه های مصنوعی مناسب تأیید شد. قابلیت استفاده عملی متد توسط طبقه بندی مقایسه ای یک مجموعه بزرگ از پایگاه های داده شامل نمونه های سیگنال گفتار تایید می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
نمونه برداری مجدد از راه دور از کلاس های عدم تعادل: با مثال کاربردی از ارزیابی کیفیت گفتاری
چکیده انگلیسی
This paper presents a new general methodological approach to imbalanced learning as one of the challenging problems in pattern classification. The presented method is founded on maximization of the sample entropy. The method involves detection of distributive properties of ideally balanced regular lattice sample and acceptable transfer of these properties to an arbitrary imbalanced sample increasing its representativeness. The proposed procedure assumes undersampling applied on areas of high probability density in the sample space combined with oversampling in the areas of low density. The main achievement of this method is the increased sample class entropy which reduces the inductive learner's tendency to favor prominent class, or cluster. In addition to class balancing, this method can be useful for function approximation, clustering, and sample dimension reduction. The high degree of generality of the method implies its applicability on data of various complexity and imbalance. The presented theoretical foundation of the method was verified on a set of proper synthetic samples. The method's practical usability is confirmed by a comparative classification of a large set of databases including speech signal samples.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 64, September 2017, Pages 440-461
نویسندگان
, , , , ,