Dynamic ensemble diversification and hash-based undersampling for the classification of multi-class imbalanced data streams
Çok sınıflı dengesiz veri akışlarının sınıflandırılması için dinamik topluluk çeşitlendirme ve kargaşa-tabanlı az örnekleme
- Tez No: 889605
- Danışmanlar: PROF. DR. FAZLI CAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Eşit olmayan sınıf dağılımlarına sahip dengesiz veri akışlarının sınıflandırılması, özellikle çoklu-sınıf ve kavram kayması ile uğraşırken makine öğreniminde çözülmesi gereken önemli problemlerden biridir. İkili dengesiz veri akışı sınıflandırma işlemi literatürde büyük ilgi görmüşken, ancak birkaç çalışma çok sınıflı dengesiz veri akışlarına odaklanmıştır. Ayrıca, dinamik dengesizlik oranıyla başa çıkmak büyük önem taşımaktadır. Bu çalışma, Dinamik Topluluk Çeşitlendirme (DynED) çerçevesine Rastgele Hiper Düzlem Projeksiyonları ile Yerelliğe Duyarlı Kargaşa'yı (LSH-RHP) entegre ederek bu zorlukları ele almak için yeni, sağlam ve esnek bir yaklaşım sunmaktadır. Bildiğimiz kadarıyla, dengesiz ve durağan olmayan veri akışları bağlamında az örnekleme için LSH-RHP'nin ilk uygulamasını sunuyoruz. Önerilen yöntem, LSH-RHP kullanarak çoğunluk sınıflarını az örneklemekte, dengeli bir eğitim seti sağlamakta ve topluluğun tahmin doğruluğunu artırmaktadır. Bu çalışmada gerçek dünyadan 23 ve yarı sentetik 10 veri kümesi üzerinde kapsamlı deneyler gerçekleştirilmiş ve LSH-DynED 15 önde gelen yöntemle karşılaştırılmıştır. Sonuçlar, LSH-DynED'in hem Kappa hem de mG-Mean etkinlik ölçütleri açısından diğer yaklaşımlardan daha başarılı olduğunu ve çok sınıflı dengesiz, durağan olmayan veri akışlarıyla başa çıkma konusunda daha etkin olduğunu göstermektedir. Özetle, LSH-DynED önemli sınıf dengesizliklerine sahip büyük ölçekli, yüksek boyutlu veri kümelerinde iyi performans sergilemekte ve gerçek dünya koşullarına uyumluluk ve sağlamlık sergilemektedir. Sonuçlarımızın yeniden üretilebilirliği için uygulamamız GitHub'da kullanıma sunulmuştur.
Özet (Çeviri)
The classification of imbalanced data streams, which have unequal class distributions, is a key difficulty in machine learning, especially when dealing with multiple classes and concept drift. While binary imbalanced data stream classification tasks have received considerable attention, only a few studies have focused on multi-class imbalanced data streams. Additionally, dealing with the dynamic imbalance ratio is of great importance. This study introduces a novel, robust, and resilient approach to address these challenges by integrating Locality Sensitive Hashing with Random Hyperplane Projections (LSH-RHP) into the Dynamic Ensemble Diversification (DynED) framework. To the best of our knowledge, we present the first application of LSH-RHP for undersampling in the context of imbalanced non-stationary data streams. The proposed method, undersamples majority classes by utilizing LSH-RHP, provides a balanced training set, and improves the ensemble's prediction accuracy. We conduct comprehensive experiments on 23 real-world and ten semi-synthetic datasets and compare LSH-DynED with 15 state-of-the-art methods. The results reveal that LSH-DynED outperforms other approaches in terms of both Kappa and mG-Mean effectiveness measures, demonstrating its capability in dealing with multi-class imbalanced non-stationary data streams. Notably, LSH-DynED performs well in large-scale, high-dimensional datasets with considerable class imbalances and demonstrates adaptation and robustness in real-world circumstances. For the reproducibility of our results, we have made our implementation available on GitHub.
Benzer Tezler
- Otomatik üretim kontrolü sistemlerine yapılan yanlış veri enjeksiyon saldırılarının torbalama ağaçları algoritması ile tespiti
Detection of false data injection attacks on automatic generation control systems with bagged trees algorithm
ATAKAN ÖZTÜRK
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Dynamic improved complete ensemble empirical mode decomposition
Dinamik gelişmiş tümden birleşik görgül kip ayrışımı
SUZANNE HUSSEIN
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. KADİR TUFAN
- Adaptive system for dynamic handling of concept drift: Detection, modeling, and weighted ensemble predictions
Konsept kaymasıyla dinamik başa çıkmak için adaptif sistem: Tespit, modelleme ve ağırlıklı oylama ile tahmin
BARIŞ ÖZCAN
Yüksek Lisans
İngilizce
2024
Yönetim Bilişim SistemleriOrta Doğu Teknik ÜniversitesiVeri Bilimi Ana Bilim Dalı
PROF. DR. BANU GÜNEL KILIÇ
- Consensus clustering of time series data
Zaman serisi verilerinin ortak kümelenmesi
AYÇA YETERE KURŞUN
Yüksek Lisans
İngilizce
2014
MatematikOrta Doğu Teknik ÜniversitesiBilimsel Hesaplama Ana Bilim Dalı
PROF. DR. İNCİ BATMAZ
YRD. DOÇ. DR. CEM İYİGÜN
- GOOWE-ML: A novel online stacked ensemble for multi-label classification in data streams
GOOWE ML: Veri akışlarında çok-etiketli sınıflandırma için yeni bir üst-öğrenicili çoklu-sınıflandırıcı
ALİCAN BÜYÜKÇAKIR
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FAZLI CAN