Piecewise-Linear Approach to Classification Based on Geometrical Transformation Model for Imbalanced Dataset

Doroshenko, Anastasiya

doi:10.1109/dsmp.2018.8478537

Cited by 11 publications

(4 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Cost-sensitive learning is a cost-specific technique that assigns different costs to the samples in different classes and can be applied to many existing algorithms to turn them into imbalance recovery methods. Doroshenko et al [63] proposed a cost-sensitive classification method for imbalanced data sets based on the neural structure of successive geometric transformation models using a piecewiselinear approach for classification. Khan et al [64] proposed a cost-sensitive neural network to handle imbalanced data.…”

Section: Approaches For Imbalanced Data Classificationmentioning

confidence: 99%

Using Improved Conditional Generative Adversarial Networks to Detect Social Bots on Twitter

Liu

Yang

et al. 2020

IEEE Access

View full text Add to dashboard Cite

The detection and removal of malicious social bots in social networks has become an area of interest in industry and academia. The widely used bot detection method based on machine learning leads to an imbalance in the number of samples in different categories. Classifier bias leads to a low detection rate of minority samples. Therefore, we propose an improved conditional generative adversarial network (improved CGAN) to extend imbalanced data sets before applying training classifiers to improve the detection accuracy of social bots. To generate an auxiliary condition, we propose a modified clustering algorithm, namely, the Gaussian kernel density peak clustering algorithm (GKDPCA), which avoids the generation of data-augmentation noise and eliminates imbalances between and within social bot class distributions. Furthermore, we improve the CGAN convergence judgment condition by introducing the Wasserstein distance with a gradient penalty, which addresses the model collapse and gradient disappearance in the traditional CGAN. Three common oversampling algorithms are compared in experiments. The effects of the imbalance degree and the expansion ratio of the original data on oversampling are studied, and the improved CGAN performs better than the others. Experimental results comparing with three common oversampling algorithms show that the improved CGAN achieves the higher evaluation scores in terms of F1-score, G-mean and AUC. INDEX TERMS Social bot detection, conditional generative adversarial networks, data augmentation, supervised classification, imbalanced data.

show abstract

Section: Approaches For Imbalanced Data Classificationmentioning

confidence: 99%

Using Improved Conditional Generative Adversarial Networks to Detect Social Bots on Twitter

Liu

Yang

et al. 2020

IEEE Access

View full text Add to dashboard Cite

show abstract

“…Розроблені алгоритми навчання, що базуються на методі зворотного поширення похибки, є достатньо повільними, а їх прискорені варіанти втрачають у точності навчання. Додатково до традиційних алгоритмів застосовують методи оптимізації на підставі генетичних алгоритмів, або алгоритмів імітації відпалу металу (Doroshenko, 2018). Враховуючи специфіку задач великих даних, застосування для них штучних нейронних мереж неефективне в сенсі надто великої складності навчання і налагодження.…”

Section: інформація про авторівunclassified

Ансамбль Нейромереж GRNN На Підставі Зміщених Поверхонь Відгуку Для Задач Електронної Комерції

Vitynskyi¹,

Tkachenko²,

Izonin³

2019

SBUNFU

View full text Add to dashboard Cite

Розв'язок задач електронної комерції, які здебільшого характеризуються нелінійними поверхнями відгуку, є важливим завданням. Застосування сучасних засобів обчислювального інтелекту не завжди є доречним зважаючи на складність реалізації процедур навчання і налагодження. Неітеративні засоби та нейронні мережі без навчання також не забезпечують задовільної точності результату. З огляду на це у роботі описано новий ансамбль на підставі нейронних мереж узагальненої регресії. Основна ідея розробленого ансамблю полягає в лінеаризації поверхні відгуку, що задається даними наявної вибірки. Для цього отримана за допомогою мережі GRNN поверхня подається на вхід лінійної нейроподібної структури. Така комбінація забезпечує підвищення точності роботи ансамблю під час розв'язання поставленої задачі. Описаний ансамбль застосовано для розв'язання задачі прогнозування ціни на вживані автомобілі. Експериментальним способом підібрано оптимальні параметри його роботи. Шляхом порівняння із відомими методами встановлено найвищу точність його роботи. Результати експериментальних досліджень порівняно з теоретичними оцінками на підставі висновків теореми Кондорсе про журі присяжних. Розроблений ансамбль нейронних мереж узагальненої регресії на підставі зміщення поверхонь відгуку та з додатковим використанням нейроподібних структур Моделі послідовних геометричних перетворень варто застосовувати під час розв'язання різноманітних задач електронної комерції підвищеної точності.

show abstract

“…The lesion segmentation task aims to detect tumor location and boundaries, and the tumor classification task aims to identify tumor histological subtypes. In previous studies, many traditional machine learning methods were presented, such as the combination of a probabilistic neural network and support vector machines (PNN-SVM) [ 3 , 4 ], the Bayesian classifier [ 5 , 6 ] and the neural-like structure of successive geometric transformations model (SGTM) [ 7 , 8 , 9 , 10 ] for tumor classification and Gibbs random field [ 11 ], fuzzy C-means [ 12 ] and Wavelet Analysis [ 13 ] for segmentation. These methods highly rely on hand-crafted feature engineering and are unable to learn deep representations from visual levels.…”

Section: Introduction and Literature Reviewmentioning

confidence: 99%

A Multi-Task Convolutional Neural Network for Lesion Region Segmentation and Classification of Non-Small Cell Lung Carcinoma

Wang

Tian

et al. 2022

Diagnostics

View full text Add to dashboard Cite

Targeted therapy is an effective treatment for non-small cell lung cancer. Before treatment, pathologists need to confirm tumor morphology and type, which is time-consuming and highly repetitive. In this study, we propose a multi-task deep learning model based on a convolutional neural network for joint cancer lesion region segmentation and histological subtype classification, using magnified pathological tissue images. Firstly, we constructed a shared feature extraction channel to extract abstract information of visual space for joint segmentation and classification learning. Then, the weighted losses of segmentation and classification tasks were tuned to balance the computing bias of the multi-task model. We evaluated our model on a private in-house dataset of pathological tissue images collected from Qilu Hospital of Shandong University. The proposed approach achieved Dice similarity coefficients of 93.5% and 89.0% for segmenting squamous cell carcinoma (SCC) and adenocarcinoma (AD) specimens, respectively. In addition, the proposed method achieved an accuracy of 97.8% in classifying SCC vs. normal tissue and an accuracy of 100% in classifying AD vs. normal tissue. The experimental results demonstrated that our method outperforms other state-of-the-art methods and shows promising performance for both lesion region segmentation and subtype classification.

show abstract

Piecewise-Linear Approach to Classification Based on Geometrical Transformation Model for Imbalanced Dataset

Cited by 11 publications

References 9 publications

Using Improved Conditional Generative Adversarial Networks to Detect Social Bots on Twitter

Using Improved Conditional Generative Adversarial Networks to Detect Social Bots on Twitter

Ансамбль Нейромереж GRNN На Підставі Зміщених Поверхонь Відгуку Для Задач Електронної Комерції

A Multi-Task Convolutional Neural Network for Lesion Region Segmentation and Classification of Non-Small Cell Lung Carcinoma

Contact Info

Product

Resources

About