[论文解读] A Review of Machine Learning Techniques in Imbalanced Data and Future Trends

Elaheh Jafarigol, Theodore B. Trafali̇s+1 more|arXiv (Cornell University)|Oct 11, 2023

Imbalanced Data Classification Techniques被引用 8

一句话总结

本论文综述了通过评估258篇同行评审工作来应对不平衡数据的技术，并为研究人员和从业者提供结构化的指导和未来趋势。

ABSTRACT

For over two decades, detecting rare events has been a challenging task among researchers in the data mining and machine learning domain. Real-life problems inspire researchers to navigate and further improve data processing and algorithmic approaches to achieve effective and computationally efficient methods for imbalanced learning. In this paper, we have collected and reviewed 258 peer-reviewed papers from archival journals and conference papers in an attempt to provide an in-depth review of various approaches in imbalanced learning from technical and application perspectives. This work aims to provide a structured review of methods used to address the problem of imbalanced data in various domains and create a general guideline for researchers in academia or industry who want to dive into the broad field of machine learning using large-scale imbalanced data.

研究动机与目标

• 通过解决在现实问题中检测罕见事件的挑战来激发研究
• 提供对跨领域解决不平衡数据的方法的深入、结构化综述
• 综合研究结果，为在学术界或工业界处理大规模不平衡数据的研究人员制定通用指南

提出的方法

• 收集并审阅了来自档案期刊和会议论文的258篇同行评审论文
• 将评述结构化，以覆盖不平衡学习的技术和应用视角
• 旨在为在机器学习工作流程中应用大规模不平衡数据技术创建通用指南

实验结果

研究问题

• RQ1 在不同领域用来解决不平衡数据的主要方法是什么？
• RQ2 这些不平衡学习技术在各种应用背景下的表现如何？
• RQ3 可以提出哪些指南来指导未来在不平衡数据情景下的研究和实践？

主要发现

• 文献涵盖了在技术和应用情境中解决不平衡数据的广泛技术
• 结构化综述有助于统一方法并澄清不平衡学习的最佳实践
• 本研究旨在生成通用指南，以帮助学术界和产业界采用不平衡数据方法