메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
김주희 (이화여자대학교) 곽주헌 (이화여자대학교) 김동일 (이화여자대학교)
저널정보
한국컴퓨터정보학회 한국컴퓨터정보학회 학술발표논문집 2025년 한국컴퓨터정보학회 동계학술대회 논문집 제33권 1호
발행연도
2025.1
수록면
27 - 30 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
머신러닝에서 클래스 불균형 문제는 데이터의 클래스 간 샘플 수가 불균형하여 모델 성능을 저하시킬 수 있다. 이를 위해 Synthetic Minority Oversampling Technique (SMOTE)와 같은 리샘플링 기법이 널리 연구되었지만, 여전히 클래스 중첩 영역 문제, 고차원 및 혼합형 데이터 등 다양한 클래스 불균형 시나리오에서는 한계를 보인다. 본 논문에서는 이러한 한계를 극복하기 위해 고차원 및 혼합형 데이터를 효과적으로 처리하는 새로운 오버샘플링 알고리즘인 k-Nearest Neighbor Oversampling with Weighted Heterogeneous Euclidean Entropy Metric (KNNOR_WHEEM)을 제안한다. 이는 유용한 샘플 선택, 샘플 합성, 합성 샘플 검증의 세 단계로 구성된다. KNNOR_WHEEM은 피처 간 중요도를 반영한 거리 메트릭과 피처 유형 별 샘플 합성 방식을 이용하여 고차원 및 혼합형 데이터의 클래스 불균형 문제를 효과적으로 다룬다. 제안한 알고리즘의 성능을 평가하기 위해 다양한 데이터를 이용해 실험을 진행하였고, 특히 F1-score 측면에서 우수한 성능을 보임을 확인할 수 있었다.

목차

요약
Ⅰ. Introduction
Ⅱ. Related Work
Ⅲ. Proposed Method
Ⅳ. Experiments
Ⅴ. Conclusions
REFERENCES

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092335235