基于包络学习和分级结构一致性机制的不平衡集成算法

集成方法是不平衡学习方法的重要分支，然而，现有不平衡集成方法均作用于原样本而没考虑样本的结构信息，因此其效能仍然有限.样本的结构信息包括局部和全局结构信息.为了解决上述问题，本文提出了一种基于深度样本包络网络（Deep Instance Envelope Network, DIEN）和分级结构一致性机制（Hierarchical Structure Consistency Mechanism, HSCM）的不平衡集成学习算法.该算法在考虑局部流形和全局结构信息的情况下，通过多层样本聚类，生成高质量的多层包络样本，从而实现类平衡化.首先，算法基于样本近邻拼接和模糊C均值聚类算法，设计DIEN来挖掘样本的结构信息，得到深度包络样本.然后，设计局部流形结构度量和全局结构分布度量来构建HSCM用于增强层间样本的分布一致性.接着，将DIEN和HSCM结合起来，构建出优化后的深度样本包络网络——DH (DIEN with HSCM).之后，将基分类器应用于包络样本.最后，设计bagging集成学习机制来融合基分类器的预测结果 .文末组织了多组实验，采用了十多个公共数据集和有代表性的相关算法进行验证...