近日，学院张远鹏教授的研究论文“Deep Reconciled & Self-Paced TSK Fuzzy System Ensemble for Imbalanced Data Classification: Architecture, Interpretability and Theory”（用于不平衡数据分类的深度调和自定进度TSK模糊系统集成:体系结构、可解释性和理论）在国际著名期刊《IEEE Transactions on Fuzzy Systems》上发表。
基于堆叠的 TSK 模糊系统集成已成功应用于不平衡数据分类。但在堆叠过程中，将输出变量增强到输入特征空间会降低模糊规则前提的可解释性。为了解决上述问题，本研究提出了一种深度调和自适应 TSK 模糊系统集成框架，用于不平衡数据分类。与现有集成框架相比，其优越性体现在以下三个方面：(i) 在第一层中，使用随机欠采样生成一个类平衡的训练集，以训练初始的零阶 TSK 模糊分类器。基于 TSK 模糊分类器，定义了分类器特定的和测试兼容的样本敏感度，以发现高敏感样本，并设计了一种调和自适应采样方法，以平衡少数类用于后续层的训练。(ii) 为了提高模糊规则前提的可解释性，提出通过等效数学变换将输出变量从前提转移到结果，同时保持最终输出不变。这些转移的输出变量被解释为动态模糊规则置信度。(iii) 此外，对基于堆叠的集成进行了全面的理论检验，以阐明使堆叠策略持续提供卓越性能的潜在机制。在 7 个人工数据集和 30 个真实数据集上进行了测试和比较。实验结果证明了所提出的集成框架在不平衡数据分类中的有效性和可解释性。
《IEEE Transactions on Fuzzy Systems》为中科院一区TOP期刊，影响因子10.7。张远鹏教授为第一作者，香港理工大学蔡璟教授为通讯作者，南通大学医学院为第一署名单位。
（张远鹏）
论文链接：https://ieeexplore.ieee.org/document/10634753
