代价敏感学习方法综述
分类是机器学习的重要任务之一.传统的分类学习算法追求最低的分类错误率,假设不同类型的错误分类具有相等的损失.然而,在诸如人脸识别门禁系统、软件缺陷预测、多标记学习等应用领域中,不同类型的错误分类所导致的损失差异较大.这要求学习算法对可能导致高错分损失的样本加以重点关注,使得学习模型的整体错分损失最小.为解决该问题,代价敏感学习方法引起了研究者的极大关注.以代价敏感学习方法的理论基础作为切入点,系统阐述了代价敏感学习的主要模型方法以及代表性的应用领域.最后,讨论并展望了未来可能的研究趋势.
代价敏感、损失、分类、人脸识别、软件缺陷预测、多标记学习
31
TP18(自动化基础理论)
国家自然科学基金61502058,61876087
2020-05-21(万方平台首次上网日期,不代表论文的发表时间)
共24页
113-136