علوم رایانشی

علوم رایانشی

ارائه یک روش ترکیبی برای داده افزایی و متوازن سازی مجموعه داده های نامتوازن

نوع مقاله : مقاله پژوهشی

نویسندگان
1 کارشناس ارشد مهندسی فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
2 استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
3 دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
10.22034/csj.2025.538051.1114
چکیده
یکی از چالش‌‌های مهم در یادگیری ماشین، داده‌‌های نامتوازن است. در مجموعه داده‌های نامتوازن، توزیع ناهمگون نمونه‌‌ها بین کلاس‌های مختلف، باعث می‌‌شود مدل‌‌های طبقه‌‌بندی عملکرد ضعیفی در شناسایی کلاس اقلیت (کلاس با تعداد نمونه کمتر) داشته باشند. این مشکل زمانی برجسته‌‌تر می‌‌شود که در یک کاربرد مشخص کلاس اقلیت دارای اهمیت بیشتری است. در این مقاله، یک روش ترکیبی برای حل مسئله داده‌‌های نامتوازن پیشنهاد می‌‌شود. این روش که HDAM نامیده می‌‌شود با هدف تولید نمونه‌‌های موثرتر برای کلاس اقلیت، دو تکنیک شناخته شده داده‌‌افزایی به نام‌‌های H-SMOTE و LoRAS را ترکیب می‌‌کند. ارزیابی‌های انجام شده نشان می‌‌دهند به‌صورت میانگین روش پیشنهادی برای هر سه طبقه‌‌بند جنگل تصادفی، K نزدیک‌‌ترین همسایه و شبکه عصبی پرسپترون چندلایه و براساس معیارهای مختلف شامل فراخوانی، دقت، AUC و F1 عملکرد بهتری در مقایسه با دو روش پایه دارد. برای نمونه، روش HDAM بر اساس معیار F1 در مقایسه با H-SMOTE که عملکرد بهتری نسبت به LoRAS داشته است، کارایی طبقه‌بندهای جنگل تصادفی، K نزدیک‌‌ترین همسایه و شبکه عصبی را به‌ترتیب 64/1، 05/0 و 1/6 درصد بهبود داده است.
کلیدواژه‌ها
موضوعات

1.         Khan, M. H., Iqbal, M. S., Muhammad Shah, F., Al Mahmud, J., Popel, M. H., Showrov, M. I. H., Ahmed, S. & Rahman, O. 2020. "A Survey of Methods for Managing the Classification and Solution of Data Imbalance Problem،" Journal of Computer Science, Vol. 16, No. 11, pp. 1546-1557.
2.         Tsai, C. F., Lin, W. C., Hu, Y. H. & Yao, G. T. 2019. "Under-Sampling Class Imbalanced Datasets by Combining Clustering Analysis and Instance Selection،" Information Sciences، vol. 477, pp. 47-54, 2019.
3.         Huang, M. W., Tsai, Ch. F. & Lin, W. Ch. 2021. "Instance selection in medical datasets: Adivide-and-conquer framework," Vol. 90, pp. 106957.
4.         Moran, M., Cohen, T., Ben-Zion, Y. & Gordon, G. 2022. "Curious instance selection," Information Sciences, Vol. 608, pp. 794-808.
5.         Chawla, N. V., Bowyer, W., Hall, L. O. & Kegelmeyer, W. P. 2002. "SMOTE: Synthetic Minority Over-sampling Technique," Journal of Artificial Intelligence Research, Vol. 16, pp. 321-357.
6.         Douzas, G. & Bacao, F. 2019. "Geometric SMOTE a geometrically enhanced drop-in replacement for SMOTE," Information Sciences, Vol. 501, pp. 118-135.
7.         Sáez, J. A., Luengo, J., Stefanowski, J. & Herrera, F. 2015. "SMOTE–IPF: Addressing the noisy and borderline examples problem in imbalanced classification by a re-sampling method with filtering," Information Sciences, Vol. 291, pp. 184-203, 2015.
8.         Bunkhumpornpat, C., Sinapiromsaran, K. & Lursinsap, C. 2009. "Safe-Level-SMOTE: Safe-Level-Synthetic Minority Over-Sampling TEchnique for Handling the Class Imbalanced Problem," in Advances in Knowledge Discovery and Data Mining, New York.
9.         Chao, X. & Zhang, L. 2023. Few-shot imbalanced classification based on data augmentation. Multimedia Systems, Vo. 29, No. 5, pp.2843-2851.
10.     Bej, S., Davtyan, N., Wolfien, M., Nassar, M. & Wolkenhauer, O. 2021. "LoRas: an oversampling approach for imbalanced datasets," Machine Learning, Vol. 110, No. 2, pp. 279-301.
11.     Temraz, M. & Keane, M. T. 2022. "Solving the class imbalance problem using a counterfactual method for data augmentation," Machine Learning with Applications, vol. 9, pp.100375.
12.     Melícias, F. S., Ribeiro, T. F., Rabadão, C., Santos, L., & Costa, R. L. D. C. 2024. "GPT and interpolation-based data augmentation for multiclass intrusion detection in IIoT," IEEe Access, Vol. 12, pp. 17945-17965.
13.     Dai, H., Liu, Z., Liao, W., Huang, X., Cao, Y. Wu, Z. & Li, X. 2025. "Auggpt: Leveraging chatgpt for text data augmentation," IEEE Transactions on Big Data.
14.     Blake, C. & Merz, C. 1978. "UCI Machine Learning Repository," Department of Information and Computer Science, [Online] Available: https://archive.ics.uci.edu/datasets. [Accessed 2025].
15.     Derrac, J., Garcia, S., Sanchez, L. & Herrera, F. 2015. "Keel data-mining software tool: Data set repository, integration of algorithms and experimental analysis framework," J. Mult. Valued Logic Soft Comput, 17, pp. 255-287.
16.     Chih-Wei, H. & Chih-Jen, L. 2002. "A comparison of methods for multiclass support vector machines," IEEE Transactions on Neural Networks, Vol. 13, No. 2, pp. 415-425.
17.     Bishop, C. M. & Nasrabadi, N. M. 2006. "Pattern recognition and machine learning," New York: springer, Vol. 4, No. 4, pp. 738.