用于多类不平衡学习的协同Boosting

本文解决了多类分类中类别不平衡的问题，这是机器学习中一个常见的问题。它提出了一种新的Boosting模型，协同优化不平衡学习和模型训练。关键的创新在于整合了密度和置信度因子，以及抗噪声的权重更新和动态采样策略。这些组件协同工作，这种协作方法是核心贡献。该论文的重要性得到了在各种数据集上优于最先进基线的声明的支持。

• •提出了一种用于多类不平衡学习的新型Boosting模型。
• •采用协同优化方法，整合了密度和置信度因子。
• •具有抗噪声的权重更新机制和动态采样。
• •与最先进的基线相比，表现出优越的性能。
• •代码已公开。