基于少数类梯度增强的不平衡数据分类方法OA

针对不平衡数据分类中较难解决的模型偏移问题,提出一种基于少数类梯度增强的分类方法。本文方法将幂指函数作为调节因子融入少数类的交叉熵损失中,以自适应地调整模型对不同样本的关注度,进而降低模型在不平衡数据集上的偏移风险。具体而言,本文方法既增强了模型对困难样本的学习能力,又抑制了简单样本和异常样本对模型的影响。首先,从梯度角度分析表明本文方法能有效引导模型训练方向;然后在MNIST和CIFAR10数据集上构造了15个不同类别组合、不同不平衡比的二分类数据集进行对比实验。MNIST上的实验结果表明:与交叉熵损失、聚焦损失、非对称损失以及循环式聚焦损失相比,本文提出的损失函数的预测错误样本数分别降低了60、41、34和21个(一组结果)。CIFAR10上的实验结果表明:在Precision保持基本不变的同时,F-score分别提高了8.2百分点、6.8百分点、5.5百分点和5百分点(一组结果)。最后,将方法应用到脉冲星候选体数据集HTRU和FAST上,结果表明该方法在有效保留脉冲星信号的同时,显著抑制了干扰信号,提升了脉冲星候选体的筛选效率。