SMOTE-SDAE：一种解决不平衡数据分类的降噪自编码神经网络算法

“一种改进的降噪自编码神经网络不平衡数据分类算法” 本文研究的主要内容是针对不平衡数据集的分类问题，特别是在使用少数类样本合成过采样技术（SMOTE）时可能出现的噪声问题。传统的SMOTE方法通过生成新的少数类样本来平衡数据集，但这种过程可能导致噪声的引入，从而影响分类性能。为解决这一问题，作者提出了一种结合SMOTE与降噪自编码神经网络（Stacked Denoising Autoencoder, SDAE）的改进算法，称为SMOTE-SDAE。 降噪自编码神经网络是一种无监督学习模型，其核心在于通过添加随机噪声到输入数据，训练网络去重构原始输入，从而学习数据的内在结构和特征。SDAE的独特之处在于它能逐层进行降噪学习，每一层的编码器试图从含噪输入中提取有用信息，而解码器则尝试根据这些编码信息重建原始数据。这一过程有助于网络去除噪声并学习数据的有效表示。 SMOTE-SDAE算法首先利用SMOTE生成新的少数类样本，然后使用SDAE进行预处理，通过无监督学习阶段的逐层降噪和有监督学习阶段的微调，对过采样的数据集进行降噪处理，同时进行分类任务。这种方法可以更好地处理因SMOTE产生的噪声，提高分类器对少数类样本的识别能力。 实验部分，作者在UCI数据集上对比了SMOTE-SDAE与传统支持向量机（SVM）算法的性能。结果显示，SMOTE-SDAE在不平衡数据集的分类精度上有了显著提升，尤其是在识别和区分少数类样本方面，这验证了所提算法的有效性。 该研究的意义在于提供了一个解决不平衡数据分类问题的新途径，通过结合过采样技术和深度学习模型，可以在处理噪声的同时保持对少数类样本的敏感性，对于实际应用中的数据分类，尤其是医疗诊断、金融风险评估等领域的不平衡数据问题具有重要的参考价值。 关键词：神经网络，过采样，不平衡数据，分类 中图分类号：TP183，TP301.6 文献标志码：A 文章编号：1001-3695（2017）05-1329-04 doi：10.3969/j.issn.1001-3695.2017.05.011 该研究得到了国家自然科学基金、内蒙古自然科学基金等多个项目的资助，并由多位研究人员共同完成，包括张成刚、宋佳智、姜静清和裴志利等人，他们分别在人工智能、机器学习、数据挖掘等领域有着深入的研究。