LFS-FRAME: Ensemble Stacked senza Perdite per la Classificazione Multiclasse
Un nuovo framework di machine learning, LFS-FRAME, combina Kolmogorov-Arnold Networks (KAN) e XGBoost per una robusta classificazione multiclasse. Il metodo affronta sfide come l'elevata similarità tra classi, lo squilibrio di classe e la variabilità della distribuzione dei dati. Utilizza una strategia di stacking out-of-fold rigorosa per prevenire perdite di dati e costruire meta-caratteristiche imparziali. L'approccio integra l'apprendimento funzionale da KAN e l'apprendimento basato su regole da XGBoost, con l'obiettivo di superare i limiti di ciascun metodo da solo. L'articolo è disponibile su arXiv con ID 2607.22081.
Fatti principali
- LFS-FRAME è un framework di ensemble stacked senza perdite.
- Integra KAN per l'apprendimento funzionale e XGBoost per l'apprendimento basato su regole.
- Utilizza uno stacking out-of-fold rigoroso per prevenire perdite di dati.
- Affronta le sfide della classificazione multiclasse: elevata similarità tra classi, squilibrio di classe, variabilità della distribuzione dei dati.
- KAN cattura relazioni funzionali lisce; XGBoost gestisce caratteristiche strutturate.
- Le reti neurali possono sovradattarsi; i classificatori basati su regole limitano la cattura di funzioni lisce.
- Articolo disponibile su arXiv: 2607.22081.
- Pubblicato come arXiv:2607.22081v1.
Entità
Istituzioni
- arXiv