Luận án TS Võ Đức Quang: Cải tiến phân lớp dữ liệu không cân bằng, dự đoán đồng tác giả
Nghiên cứu cải tiến thuật toán phân lớp cho dữ liệu không cân bằng. Ứng dụng trong dự đoán đồng tác giả, tăng cường độ chính xác phân tích.
Hệ thống thông tin
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
123
Thời gian đọc
19 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Mục lục chi tiết
Tóm tắt nội dung
I.Phân loại Dữ liệu Không Cân Bằng Thách thức và Giải pháp
Phân loại dữ liệu không cân bằng là một vấn đề phổ biến trong học máy. Tình trạng này xảy ra khi số lượng mẫu của một lớp áp đảo các lớp khác. Lớp thiểu số thường chứa thông tin quan trọng. Các thuật toán phân loại truyền thống thường gặp khó khăn. Chúng có xu hướng thiên vị lớp đa số. Điều này làm giảm hiệu suất dự đoán cho lớp thiểu số. Các ứng dụng thực tế như phát hiện gian lận hoặc chẩn đoán bệnh đòi hỏi độ chính xác cao cho lớp thiểu số. Nghiên cứu này tập trung vào việc giải quyết những thách thức này. Mục tiêu là phát triển các phương pháp mạnh mẽ. Các phương pháp này sẽ cải thiện khả năng học và dự đoán từ mẫu học không cân bằng. Việc này đảm bảo tính công bằng và hiệu quả của mô hình.
1.1. Bản chất dữ liệu mất cân bằng
Nhiều tập dữ liệu thực tế tồn tại tình trạng không cân bằng. Một lớp chiếm đa số, lớp còn lại chiếm thiểu số. Tình trạng này gây ra thách thức lớn cho các hệ thống phân loại học máy. Thuật toán thường có xu hướng bỏ qua lớp thiểu số. Điều này dẫn đến hiệu suất phân loại kém cho các mẫu quan trọng. Việc dự đoán chính xác lớp thiểu số là rất cần thiết. Ví dụ, phát hiện gian lận hoặc chẩn đoán bệnh hiếm. Các mô hình truyền thống thường ưu tiên tối ưu hóa tổng thể. Chúng bỏ qua độ chính xác cho lớp thiểu số. Đây là vấn đề cốt lõi trong phân lớp dữ liệu mất cân bằng.
1.2. Mục tiêu nghiên cứu giải quyết vấn đề
Nghiên cứu này tập trung vào việc cải thiện hiệu suất phân lớp dữ liệu mất cân bằng. Mục tiêu là phát triển các thuật toán mới. Các thuật toán này có khả năng xử lý tốt hơn mẫu học không cân bằng. Chúng cần tăng cường khả năng nhận diện lớp thiểu số. Nghiên cứu cũng nhằm giải quyết hạn chế của các phương pháp hiện có. Điều này bao gồm cải tiến các kỹ thuật tái lấy mẫu. Mục tiêu cuối cùng là tạo ra các mô hình phân loại mạnh mẽ hơn. Các mô hình này sẽ mang lại kết quả dự đoán tin cậy hơn.
II.AdaBoost
Một trong những cải tiến trọng tâm của nghiên cứu là thuật toán Im.AdaBoost. Đây là phiên bản nâng cao của AdaBoost, được thiết kế đặc biệt cho phân lớp dữ liệu mất cân bằng. Im.AdaBoost giải quyết các hạn chế của AdaBoost truyền thống bằng cách điều chỉnh cơ chế trọng số. Thuật toán này điều chỉnh trọng số mẫu một cách linh hoạt. Nó tập trung vào các mẫu khó và lớp thiểu số. Việc sử dụng các phương pháp khởi tạo và cập nhật trọng số thích nghi giúp nâng cao khả năng học từ các mẫu học không cân bằng. Im.AdaBoost cải thiện đáng kể độ nhạy và độ chính xác cho lớp thiểu số, mang lại hiệu suất phân loại học máy vượt trội.
2.1. Giới thiệu thuật toán Im.AdaBoost
Thuật toán Im.AdaBoost được đề xuất nhằm giải quyết vấn đề phân lớp dữ liệu mất cân bằng. Đây là một cải tiến đáng kể của thuật toán AdaBoost truyền thống. Im.AdaBoost được thiết kế để hoạt động hiệu quả trên các mẫu học không cân bằng. Phương pháp này điều chỉnh trọng số của các mẫu dữ liệu. Điều này giúp bộ phân loại tập trung nhiều hơn vào các mẫu khó. Đặc biệt, nó ưu tiên các mẫu thuộc lớp thiểu số. Việc khởi tạo trọng số ban đầu cũng được điều chỉnh. Điều này thích nghi với mức độ mất cân bằng của dữ liệu.
2.2. Cơ chế thích nghi và Weighted SVM
Im.AdaBoost tích hợp một cơ chế thích nghi. Cơ chế này điều chỉnh trọng số của các bộ phân lớp thành viên. Sự điều chỉnh này nhạy cảm với nhãn dương. Điều này đảm bảo rằng các lỗi trên lớp thiểu số được xử lý nghiêm trọng hơn. Weighted-SVM được sử dụng làm bộ phân lớp cơ sở. Weighted-SVM có khả năng gán trọng số khác nhau cho các mẫu. Điều này cho phép nó tập trung vào các mẫu thuộc lớp thiểu số. Kết hợp này giúp Im.AdaBoost tăng cường đáng kể hiệu suất phân loại. Nó vượt trội hơn các thuật toán phân loại truyền thống trên dữ liệu mất cân bằng.
III.Tối ưu Phân lớp Dữ liệu Mất Cân Bằng dùng Fuzzy SVM
Nghiên cứu cũng đề xuất một phương pháp tiếp cận mới dựa trên Fuzzy SVM-CIL. Phương pháp này sử dụng trọng số mờ thích nghi để cải thiện phân lớp dữ liệu mất cân bằng. Fuzzy SVM-CIL được thiết kế để xử lý sự không chắc chắn và nhiễu trong dữ liệu. Các hàm thuộc mờ giàu ngữ nghĩa giúp mô hình hiểu rõ hơn mối quan hệ của các mẫu. Việc điều chỉnh trọng số mờ một cách thích nghi cho phép thuật toán tập trung vào các mẫu quan trọng, đặc biệt là những mẫu thuộc lớp thiểu số. Cách tiếp cận này mang lại một thuật toán phân loại mạnh mẽ, khả năng phân loại chính xác cao hơn, đặc biệt trong các trường hợp dữ liệu phức tạp và mất cân bằng nghiêm trọng.
3.1. Thuật toán Fuzzy SVM CIL mới
Một thuật toán điều chỉnh trọng số mờ thích nghi được phát triển. Thuật toán này dựa trên Fuzzy SVM-CIL. Nó được thiết kế riêng cho bài toán phân lớp dữ liệu mất cân bằng. Fuzzy SVM-CIL xử lý hiệu quả các dữ liệu nhiễu và không rõ ràng. Các hàm thuộc mờ giàu ngữ nghĩa được xây dựng. Các hàm này giúp xác định mức độ thuộc của mỗi mẫu vào một lớp. Điều này tăng cường khả năng phân biệt giữa các lớp. Thuật toán cung cấp một cách tiếp cận linh hoạt. Nó xử lý các mẫu khó phân loại.
3.2. Điều chỉnh trọng số mờ thích nghi hiệu quả
Phương pháp điều chỉnh trọng số mờ được áp dụng cho các mẫu nhạy cảm. Các mẫu này thường nằm gần ranh giới quyết định. Chúng cũng có thể là các ngoại lệ. Trọng số mờ được điều chỉnh động. Việc điều chỉnh dựa trên đặc điểm của từng mẫu. Điều này giúp tăng cường vai trò của các mẫu quan trọng. Đồng thời, nó giảm bớt ảnh hưởng của các mẫu nhiễu. Cách tiếp cận này giúp cải thiện đáng kể độ chính xác. Đặc biệt là đối với lớp thiểu số. Thuật toán phân loại sử dụng trọng số mờ thích nghi này. Nó mang lại kết quả vượt trội trên các bộ dữ liệu mất cân bằng.
IV.Dự đoán Đồng Tác giả Ứng dụng Phân lớp Dữ liệu
Nghiên cứu này ứng dụng các thuật toán cải tiến vào bài toán dự đoán mối quan hệ đồng tác giả. Đây là một lĩnh vực quan trọng trong mạng lưới cộng tác khoa học. Bài toán này thường đối mặt với dữ liệu mất cân bằng, vì số lượng mối quan hệ đồng tác giả hiện có ít hơn so với các mối quan hệ tiềm năng. Các mô hình được phát triển nhằm xác định chính xác các tác giả có khả năng cộng tác trong tương lai. Điều này có ý nghĩa lớn đối với việc thúc đẩy nghiên cứu. Nó hỗ trợ hình thành các nhóm làm việc hiệu quả. Việc khai thác dữ liệu từ các ấn phẩm khoa học giúp xây dựng các mô hình dự đoán mạnh mẽ. Đây là một ví dụ điển hình về ứng dụng thực tiễn của phân loại học máy.
4.1. Bài toán dự đoán mối quan hệ đồng tác giả
Bài toán dự đoán mối quan hệ đồng tác giả là một ứng dụng quan trọng. Nó diễn ra trong lĩnh vực phân tích mạng xã hội học thuật. Đây thường là một bài toán phân lớp dữ liệu mất cân bằng. Các cặp tác giả đã cộng tác chiếm số lượng lớn. Tuy nhiên, các cặp tác giả có tiềm năng cộng tác nhưng chưa có là lớp thiểu số. Việc xác định các mối quan hệ tiềm năng này rất có giá trị. Nó hỗ trợ trong việc tìm kiếm chuyên gia. Nó cũng giúp hình thành các nhóm nghiên cứu mới. Nâng cao khả năng dự đoán mối quan hệ đồng tác giả. Điều này góp phần vào sự phát triển của mạng lưới cộng tác khoa học.
4.2. Khai thác dữ liệu trong mạng lưới cộng tác
Để giải quyết bài toán này, các thuật toán phân loại được áp dụng. Dữ liệu từ các ấn phẩm khoa học được thu thập. Các đặc trưng liên quan đến tác giả được trích xuất. Chúng bao gồm các đặc trưng về chủ đề nghiên cứu, lịch sử cộng tác, và mạng lưới quan hệ. Các phương pháp đã đề xuất được thử nghiệm trên bộ dữ liệu dự đoán đồng tác giả. Kết quả cho thấy khả năng ứng dụng thực tiễn cao. Các mô hình cải thiện đáng kể hiệu suất dự đoán. Điều này cung cấp công cụ mạnh mẽ cho phân tích khoa học.
V.Thử nghiệm Đánh giá Hiệu quả Thuật toán Phân loại
Để xác nhận hiệu quả của các thuật toán đề xuất, nghiên cứu đã tiến hành các thử nghiệm toàn diện. Các thuật toán được kiểm tra trên cả bộ dữ liệu tiêu chuẩn (UCI) và dữ liệu thực tế về dự đoán mối quan hệ đồng tác giả. Việc đánh giá dựa trên nhiều chỉ số hiệu suất. Chúng bao gồm độ chính xác, G-mean và AUC. Kết quả cho thấy các phương pháp mới vượt trội so với các thuật toán phân loại hiện có. Điều này chứng minh rằng các cải tiến về trọng số thích nghi và trọng số mờ mang lại lợi ích đáng kể. Chúng đặc biệt hiệu quả trong việc xử lý phân lớp dữ liệu mất cân bằng. Nghiên cứu này đóng góp vào sự tiến bộ của phân loại học máy và ứng dụng thực tiễn.
5.1. Bộ dữ liệu và môi trường thử nghiệm
Các thuật toán cải tiến được thử nghiệm rộng rãi. Chúng được kiểm tra trên nhiều bộ dữ liệu tiêu chuẩn UCI. Các bộ dữ liệu này có mức độ không cân bằng khác nhau. Đồng thời, các thử nghiệm cũng được tiến hành trên một tập dữ liệu thực tế. Tập dữ liệu này dành cho bài toán dự đoán đồng tác giả. Môi trường thử nghiệm được thiết lập cẩn thận. Nó đảm bảo tính nhất quán và khả năng tái lập kết quả. Các chỉ số đánh giá hiệu suất được sử dụng. Chúng bao gồm độ chính xác, độ nhạy, độ đặc hiệu, G-mean và AUC.
5.2. Kết quả chứng minh sự cải thiện vượt trội
Kết quả thử nghiệm cho thấy sự vượt trội của các phương pháp đề xuất. Cả Im.AdaBoost và Fuzzy SVM-CIL đều đạt hiệu suất cao hơn. Chúng vượt trội so với các thuật toán phân loại hiện có. Đặc biệt, chúng cải thiện đáng kể độ chính xác của lớp thiểu số. Điều này xác nhận hiệu quả của các cải tiến. Các thuật toán này cung cấp giải pháp mạnh mẽ. Chúng giúp giải quyết bài toán phân loại học máy với dữ liệu mất cân bằng. Nghiên cứu này đóng góp vào sự phát triển của lĩnh vực này.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (123 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VÀ ÀO TẠO ẠI HỌC BÁCH KHOA HÀ NỘI VÕ ỨC QUANG CẢI TIẾN THUẬT TOÁN PHÂN LỚP CHO DỮ LIỆU KHÔNG CÂN BẰNG VÀ ỨNG DỤNG TRONG DỰ OÁN ỒNG TÁC GIẢ LUẬN ÁN TIẾN SĨ HỆ THỐNG THÔNG TIN HÀ NỘI−2024 BỘ GIÁO DỤC VÀ ÀO TẠO ẠI HỌC BÁCH KHOA HÀ NỘI VÕ ỨC QUANG CẢI TIẾN THUẬT TOÁN PHÂN LỚP CHO DỮ LIỆU KHÔNG CÂN BẰNG VÀ ỨNG DỤNG TRONG DỰ OÁN ỒNG TÁC GIẢ Ngành: Hệ thống thông tin Mã số: 9480104 LUẬN ÁN TIẾN SĨ HỆ THỐNG THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TRẦN ÌNH KHANG HÀ NỘI−2024 LỜI CAM OAN Tôi xin cam oan các kết quả trình bày trong luận án là công trình nghiên cứu của bản thân nghiên cứu sinh trong thời gian học tập và nghiên cứu tại ại học Bách khoa Hà Nội dưới sự hướng dẫn của PGS. Trần ình Khang. Các số liệu, kết quả trình bày trong luận án là hoàn toàn trung thực.
Các kết quả sử dụng tham khảo ều ã ược trích dẫn ầy ủ và theo úng quy ịnh. Hà Nội, ngày tháng 5 năm 2024 Giáo viên hướng dẫn Nghiên cứu sinh PGS. Trần ình Khang Võ ức Quang ẠI HỌC BÁCH KHOA HÀ NỘI TL. GIÁM ỐC TRƯỞNG BAN ÀO TẠO i LỜI CẢM ƠN Chặng ường làm nghiên cứu sinh là một hành trình dài ầy khó khăn và thử thách.
Trên hành trình ó, bên cạnh sự nỗ lực của bản thân, không thể thiếu sự ồng hành dẫn dắt của những Thầy Cô kính mến, sự hỗ trợ giúp ỡ của những người ồng nghiệp, người bạn, người thân trong gia ình. Tôi thực sự rất biết ơn và xin trân trọng gửi lời cảm ơn sâu sắc tới mọi người vì ã dành cho tôi sự giúp ỡ, chia sẻ quý giá trong suốt khoảng thời gian qua. ầu tiên, tôi xin gửi lời cảm ơn sâu sắc tới PGS. Trần ình Khang, người Thầy ã hướng dẫn, ồng hành, chß dạy, nhắc nhở và ộng viên tôi rất nhiều trong suốt quá trình nghiên cứu.
Tôi cũng xin gửi lời cảm ơn tới các Thầy giáo, Cô giáo giảng dạy tại Trường Công nghệ Thông tin và Truyền thông - ại học Bách khoa Hà Nội ã truyền ạt cho tôi những kiến thức mới quý giá, giúp tôi mở rộng kiến thức, gợi mở những ý tưởng nghiên cứu ể hoàn thành luận án. Tôi xin gửi lời cảm ơn ến các ồng nghiệp tại Trường ại học Vinh, các em sinh viên vì sự hỗ trợ, chia sẻ, giúp ỡ nhiệt tình của mọi người. Cuối cùng, tôi muốn nói lời biết ơn chân thành ến gia ình thân yêu, những người thân và bạn bè ã luôn ộng viên, ủng hộ tôi trong suốt quá trình nghiên cứu và giúp tôi vượt qua các giai oạn khó khăn ể ạt ược một số kết quả bước ầu hôm nay. ii MỤC LỤC LỜI CAM OAN.
ii MỤC LỤC. iii DANH MỤC CÁC TỪ VIẾT TẮT VÀ THUẬT NGỮ. v DANH MỤC HÌNH VẼ. vii DANH MỤC BẢNG.
viii DANH MỤC THUẬT TOÁN. TỔNG QUAN VỀ VẤN Ề NGHIÊN CỨU. Bài toán phân lớp với dữ liệu không cân bằng. Một số thuật toán liên quan.
Thuật toán SVM. Thuật toán Weighted-SVM. Fuzzy SVM-CIL. Thuật toán AdaBoost.
Thuật toán CNN. Phương pháp Cây quyết ịnh. K-nearest neighbors và Tomek link. Bài toán dự oán ồng tác giả.
Mô hình hóa bài toán. Phương pháp phân lớp cho bài toán dự oán ồng tác giả. Phương pháp thực nghiệm và ánh giá. Tập dữ liệu thử nghiệm.
Môi trường và kịch bản thử nghiệm. Kết luận Chương 1. 39 iii CHƯƠNG 2. CẢI TIẾN THUẬT TOÁN ADABOOST CHO DỮ LIỆU KHÔNG CÂN BẰNG.
ề xuất thuật toán Im. Phân tích thuật toán AdaBoost. Phương pháp khởi tạo trọng số cho AdaBoost thích nghi với mức ộ không cân bằng. Phương pháp tính trọng số tin cậy của bộ phân lớp thành viên nhạy cảm với nhãn dương.
Mô tả thuật toán Im.AdaBoost kết hợp với WSVM. Thử nghiệm trên các bộ dữ liệu UCI. Thử nghiệm cho bài toán dự oán ồng tác giả. Kết luận Chương 2.
Ề XUẤT THUẬT TOÁN IỀU CHỈNH THÍCH NGHI TRỌNG SỐ MỜ DỰA TRÊN FUZZY SVM-CIL. ề xuất thuật toán trọng số mờ thích nghi. Xây dựng hàm thuộc mờ giàu ngữ nghĩa cho Fuzzy SVM. Phương pháp iều chßnh trọng số mờ cho các mẫu nhạy cảm.
Thuật toán phân lớp với trọng số mờ thích nghi. Thử nghiệm trên các bộ dữ liệu UCI. Thử nghiệm cho bài toán dự oán ồng tác giả. Thử nghiệm so sánh các thuật toán ã ề xuất.
Kết luận Chương 3. 98 DANH MỤC CÁC CÔNG TRÌNH Ã CÔNG BỐ. 100 TÀI LIỆU THAM KHẢO. 101 iv DANH MỤC CÁC TỪ VIẾT TẮT VÀ THUẬT NGỮ Viết tắt Tiếng Anh Tiếng Việt AA Adamic-Adar ộ o liên kết AA ACT Average Commute Time ộ o liên kết ACT AdaBoost Adaptive Boosting Thuật toán học kết hợp tuần tự thích nghi AdaBoost.SVM Adaptive Boosting with SVM AdaBoost kết hợp với SVM AdaBoost.W-SVM Adaptive Boosting with W-SVM AdaBoost kết hợp với W-SVM AdaBoost.DT Adaptive Boosting with Decision- AdaBoost kết hợp với DecisionTree Tree ASN Academic Social Network Mạng xã hội học thuật AUC Area Under Curve Diện tích dưới ường cong ROC CAR CAR-based Common Neighbor In- ộ o CAR dex) CC Common Country ộ o liên kết cộng ồng CNN Convolutional neural network Mạng nơ-ron tích chập CN Common Neighbor ộ o liên kết CN ENN Edited Nearest Neighbor Thuật toán giảm mẫu ENN FSVM Fuzzy Support Vector Machine Máy véc-tơ hỗ trợ mờ FSVM-CIL Fuzzy Support Vector Machines for Máy véc-tơ hỗ trợ mờ cho học trên dữ liệu Class Imbalance Learning không cân bằng G-mean Geometric Mean ộ o trung bình hình học HSM Hierarchical structure model Mô hình cấu trúc phân cấp JC Jaccard Coefficient ộ o liên kết JC KNN K -Nearest Neighbors K -láng giềng gần nhất LDP local directed path ộ o liên kết LDP LP Link Prediction Dự oán liên kết MAG Microsoft Academic Graph Cơ sở dữ liệu khoa học MAG MF Matrix Forest Index ộ o liên kết MF NCL Neighborhood Cleaning Rule Thuật toán giảm mẫu NCL OSS One Sided Selection Thuật toán giảm mẫu OSS PA Preferential Attachment ộ o liên kết PA RA Resource Allocation ộ o liên kết RA ROC Receiver operating characteristics ường cong ặc tính RWR Random Walk with Restart ộ o liên kết RWR SBM Stochastic block model Mô hình khối ngẫu nhiên SPRD Scholarly Paper Recommendation Cơ sở dữ liệu khoa học SPRD Dataset v SVM Support Vector Machine Máy véc-tơ hỗ trợ SMOTE Synthetic Minority Over-sampling Kỹ thuật tạo mẫu tổng hợp cho lớp thiểu Technique số SP Specificity ộ o ặc hiệu SE Sensitivity ộ o nhạy cảm SW Similar Work ộ o liên kết SW TLP Tomek Link Pair Cặp Tomek link W-SVM Weight Support Vector Machine Máy véc-tơ hỗ trợ có trọng số vi DANH MỤC HÌNH VẼ 1.1 Các trường hợp của ξ trong Soft-SVM .2 Minh họa kiến trúc CNN-1D .3 Minh họa các cặp TLPs .4 Tổng quan quy trình giải quyết các bài toán trong mạng ASN .5 Mô hình gợi ý cộng tác ồng tác giả theo phương pháp phân lớp .1 Sơ ồ thuật toán Im.AdaBoost kết hợp với WSVM.2 Các giá trị của Gmean trên θ thu ược bởi Im.3 Các giá trị Gmean, SE , và SP ược xác ịnh cho dữ liệu Nhóm I .4 Các giá trị Gmean, SE , và SP ược xác ịnh cho dữ liệu Nhóm II .5 Các giá trị Gmean, SE , và SP ược xác ịnh cho dữ liệu Nhóm III .1 Vị trí tương ối của các mẫu giữa hai lớp .2 Minh họa cho bốn trường hợp "mẫu nhạy cảm" ược chß ra bởi TLPs 74 vii DANH MỤC BẢNG 1.1 Bảng ứng viên ồng tác giả .2 Thống kê dữ liệu bài báo thu thập từ năm 2000 ến năm 2017 .3 Bảng dữ liệu ứng viên ồng tác giả .4 Mô tả bộ dữ liệu UCI .1 Các giá trị tốt nhất của tham số θ cho thuật toán Im.SVM và Im.2 Kết quả phân lớp các tập dữ liệu UCI .3 Mô tả các bộ dữ liệu ồng tác giả .4 Các giá trị tốt nhất của tham số θ cho thuật toán Im.SVM và Im.5 Kết quả phân lớp các tập dữ liệu trong Nhóm I .6 Kết quả phân lớp các tập dữ liệu trong Nhóm II .7 Kết quả phân lớp các tập dữ liệu trong Nhóm III .1 Cài ặt FSVM-CIL với các hàm tính trọng số mờ .2 So sánh kết quả phân lớp của FSVM-CILcen lin _2c và FSVM-CIL trên các bộ dữ liệu UCI .3 So sánh kết quả phân lớp của phương pháp F-AWA khi áp dụng vào FSVM-CIL trên các bộ dữ liệu UCI .4 So sánh kết quả phân lớp của AFW-CIL và FSVM-CIL cho các bộ dữ liệu chuẩn UCI .5 Mô tả các bộ dữ liệu ồng tác giả .6 Kết quả phân lớp của FSVM-CIL và FSVM-CILcen lin _2c cho các bộ dữ liệu ồng tác giả Nhóm I .7 Kết quả phân lớp của FSVM-CIL và FSVM-CILcen lin _2c cho các bộ dữ liệu ồng tác giả Nhóm II .8 Kết quả phân lớp của FSVM-CIL và iều chßnh F-AWA cho các bộ dữ liệu ồng tác giả Nhóm I .9 Kết quả phân lớp của FSVM-CIL và iều chßnh F-AWA cho các bộ dữ liệu ồng tác giả Nhóm II .10 Kết quả phân lớp của AFW-CIL và FSVM-CIL cho các bộ dữ liệu ồng tác giả Nhóm I .11 Kết quả phân lớp của AFW-CIL và FSVM-CIL cho các bộ dữ liệu ồng tác giả Nhóm II .12 Kết quả so sánh trên các tập dữ liệu UCI .13 Kết quả so sánh trên các tập dữ liệu Nhóm I.
95 ix DANH MỤC THUẬT TOÁN 1.1 Thuật toán SVM .2 Thuật toán AdaBoost .3 Thuật toán huấn luyện Cây quyết ịnh .4 Thuật toán KNN .1 Thuật toán Im.1 CalFW: Tính toán trọng số mờ cho tập dữ liệu .2 AdjFW: iều chßnh trọng số mờ dựa trên TLPs .3 Thuật toán F-AWA .4 Thuật toán AFW-CIL. Lý do chọn ề tài Trong lĩnh vực nghiên cứu khoa học, mạng xã hội học thuật (ASN-Academic Social Networks) là khái niệm ề cập ến mối quan hệ tương tác về thông tin trong cộng ồng các nhà nghiên cứu khoa học [1][2]. Trong ó, khái niệm mạng ồng tác giả (co-authorship network) dùng ể miêu tả mối quan hệ hợp tác cùng nghiên cứu giữa các nhà khoa học. Mối quan hệ này ược thể hiện trong việc các nhà nghiên cứu là ồng tác giả trong một hoặc nhiều bài báo khoa học.
Các bài báo khoa học là sự trình bày nội dung các kết quả nghiên cứu và ược công bố trên các tạp chí khoa học. Có nhiều tạp chí khoa học thuộc các chủ ề lĩnh vực nghiên cứu khác nhau. Một bài báo khoa học có thể là kết quả hợp tác của nhiều tác giả ến từ nhiều ơn vị/trường học/viện nghiên cứu.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" nghiên cứu về vấn đề gì?
Nghiên cứu cải tiến thuật toán phân lớp cho dữ liệu không cân bằng. Ứng dụng trong dự đoán đồng tác giả, tăng cường độ chính xác phân tích.
Luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Đại học Bách khoa Hà Nội. Năm bảo vệ: 2024.
Luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" thuộc chuyên ngành gì?
Luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" thuộc chuyên ngành Hệ thống thông tin. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" có bao nhiêu trang?
Luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" có 123 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Cải tiến phân lớp dữ liệu không cân bằng và dự đoán đồng tác giả" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.