小样本类不平衡数据的一致性分析流特征选择

林培榕，曾海亮，王晨曦，卢 舜，林耀进

(闽南师范大学 计算机学院，福建 漳州 363000)

(数据科学与智能应用福建省高等学校重点实验室，福建 漳州 363000)

1 引 言

在语义分析[1]、人脸识别[2]、基因检测[3]等应用研究领域，产生了海量高维小样本数据.此类数据的特点主要表现为数据的样本数比起特征维度数少了一个量级以上.当前，面向高维小样本数据的分类学习任务存在着样本类别分布偏斜问题，即数据中至少一个类别代表了样本很少的数量，而其它类别的样本组成了大多数.特征选择是数据分类学习过程中重要的预处理技术.传统的特征选择技术倾向于学习大类而忽略小类，而在实际应用中，人们往往更关注小类样本的分类正确与否[4].例如，医疗诊断中因漏诊而判断为假阴性的代价比误诊为假阳性的代价更高；安全检测中漏检掉一个携带炸弹上飞机的恐怖分子要比搜查一个无辜的人代价大得多.因此，针对类别不平衡问题设计能正确识别小类样本的分类模型具有重要意义.此外，随着大数据技术的蓬勃发展，数据的形态日新月异.在真实场景中，作为动态数据的一种表现形态，数据流广泛存在于动态监测[5]、社交网络[6]和标签推荐[7]等领域.例如，在火星陨石坑检测中动态提取纹理特征；新浪微博热门话题的出现通常伴随着新关键词的产生.数据流蕴含的知识是时间的函数，由于数据的动态性和演化性，必然导致已有的学习模……