2023-01-012024-05-13https://scholars.lib.ntu.edu.tw/handle/123456789/653550類別比例失衡資料分析一直是巨大的挑戰，特別在資料收集可能偏誤、比例失衡時，資料量多與模型有效並不能劃上等號。當弱勢類別樣本數遠低於強勢類別樣本數時，此失衡狀態將導致模型失效。尤其是以準確度為分類目標的模型，很容易被訓練成一味判斷強勢類別的分類器，然而弱勢類別樣本往往才是最需要被檢測和控制的事件，例如信用卡交易欺詐和瑕疵品。傳統方法多從資料預處理生成和代價敏感演算法兩個角度來切入，且缺乏系統化的解決框架。類別比例失衡資料;失衡度評估;自適應資料增強;合成弱勢類別上抽樣 (SMOTE);變分自動編碼器 (VAE);對抗生成網路 (GAN);分類感知特徵萃取;失衡度整合代價敏感演算法;集成式學習;imbalanced data; imbalance evaluation; adaptive data augmentation; Synthetic Minority Oversampling TEchnique (SMOTE); Variational AutoEncoder (VAE); Generative Adversarial Network (GAN); classification-aware feature; imbalance-accommodated cost-effective