{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,22]]，“日期-时间”：“2024-06-22T09:10:38Z”，“时间戳”：1719047438712}，“引用-计数”：47，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{-date-parts”：[2023,6,1]]，”“日期-时刻”：“023-06-01T00:00:00Z“，”timestamp“：1685577600000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2023,6,1]]，“date-time”：“2023-06-01T00:00:00Z”，“timestamp”：1685577600000}，“content-version”：“stm-asf”，“delay-in-days”：“0”，“URL“https:\\/doi.org\/10.15223\/policy-017“}，{“开始”：{“日期部分”：[[2023,6,1]]，“日期时间”：“2023-06-01T00:00:00Z”，“timestamp”：1685577600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[[2023,6,1]]，“date-time”：“2023-06-01T00:00:00Z”，“timetamp”：68557760000}，https:\/\/doi.org\/10.15223\/policy-012“}，{“开始”：{“日期部分”：[[2023,6,1]]，“date-time”：“2023-06-01T00:00:00Z”，“timestamp”：1685577600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2023,6,1]]，“datetime”：“206-01T00:00”，“时间戳”：16855077600000neneneep，“content-version”：“st m-asf“，”delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-004“}]，“content-domain”：{“domain”:[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“Information Sciences”]，”published-print“：{”date-parts“：[[2023,6]]}，”DOI“：”10.1016\/j.ins.2023.01.147“，”type“：”journal-article“，”created“：”{“date-part”：[2023,2,3]]，“date-time”：“2023-02-02-03T16:20:07Z“，”时间戳“：1675441207000}，“page”：“184-203”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：18，“title”：[“RVGAN-TL:一种生成性对抗网络和基于传输学习的不平衡数据分类混合方法”]，“前缀”：“10.1016”，“卷”：“629”，“作者”：[{“ORCID”：“http://\/orcid.org\/00000-0002-0851-1994”，“authenticated-orcid”：false，“given”：“Hongwei”，“family”：“Ding”，“sequence”：“first”，“affiliation”：[]}，{“orcid”：family“：”Huang“，”sequence“：”additional“，“隶属关系”：[]｝，｛“给定”：“致东”，“家族”：“申”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“振宇”，“家族”：“王”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“阿德南”，“家族”：“伊夫特哈尔”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“小辉”，“家族”：“崔”，“序列”：“附加”，“隶属关系”：[]｝，”成员”：“78”，“reference”：[{“issue”：“6”，“key”：“10.1016\/j.ins.2023.01.147_br0010”，“doi-asserted-by”：“crossref”，“first page”：”923“，“doi”：“101002\/int.22230”，“article-title”：“一种用于不平衡分类的自适应合成过采样技术”，“volume”:“35”，“author”：“顾”，“year”：“2020”，“journal title”：”int.j.Intell.Syst.“}，{“问题”：“8”，“键”：“10.1016\/j.ins.2023.01.147_br0020”，“首页”：“3573”，“article-title”：“从不平衡数据中对深层特征表示的成本敏感学习”，“volume”：“29”，“author”：“Khan”，“year”：“2017”，“journal-title“：”IEEE Trans.Neural Netw.Learn.Syst.“}，{“issue”：“5”，“key”：”10.1016\\j.ins.2023.01.147_br0030“，”doi-asserted-by“：”crossref“，“首页”：“6300”，“DOI”：“10.1016\/j.eswa.2010.11.069”，“article-title”：“基于粗糙集和集成学习的文本分类半监督算法”，“volume”：“38”，“author”：“Shi”，“year”：“2011”，“journal-title“：”Expert Syst.Appl.“}，{“key”：”10.1016\/j.ins.2023.01.147_br0040“，”DOI-asserted-by“：”crossref“，”first-page“：”1“DOI“：“10.1016\/j.ins.2018.06.056”，“article-title”：“通过基于k-means和swote的启发式过采样方法改善不平衡学习”，“volume”：“465”，“author”：“Douzas”，“year”：“2018”，“journal-title“：Inf.Sci.”}，{“issue”：“11”，“key”：”10.1016\/j.ins.2023.01.147_br0050“，”doi-asserted-by“：”crossref“，”第一页“2402”，“doi”“”：“10.1109”，“TCYB.2014.2372060”，“article-title”：“不平衡分类问题的基于灵敏度的多样化欠采样”，“volume”：“45”，“author”：“Ng”，“year”：“2014”，“journal-title“：”IEEE Trans.Cybern.“}，{”key“：”10.1016\/j.ins.2023.01.147_br0060“，”doi-asserted-by“：”crossref“，”first page“：“240”，“doi”：“10.1016//j.future.2022.01.026”“”，“article-title”：“非平衡数据分类：一种基于knn和生成性对抗网络的混合入侵检测方法”，“volume”：“131”，“author”：“Ding”，“year”：“2022”，“journal-title“：“Future Gener.Comput.Syst.”}，{“issue”：“9”，“key”：”10.1016\/j.ins.2023.01.147_br0070“，”doi-asserted-by“：”crossref“，”first page“4457”，“doi”：“10.1007\/s00521-020-05256-0”，“article-title”：“一种新的基于密度的自适应k最近邻方法，用于处理不平衡数据集中的重叠问题”，“volume”：“33”，“author”：“Yuan”，“year”：“2021”，“journal-title“：”Neural Compute.Appl.“}，{“issue”：“7”，“key”：”10.1016\/j.ins.2023.01.147_br0080“，”doi-asserted-by“：”crossref“，”first page“：“3039”，“DOI”：“10.1002\/int.22388”，“article-title”：“不平衡数据的基于熵的混合采样集成学习”，“volume”：“36”，“author”：“Dongdong”，“year”：“2021”，“journal-title“：”Intr.Syst.“}，{“issue”：“3”，“key”：”10.1016\/J.ins.2023.01.147_br0090“，”DOI-asserted-by“：”crossref“，”first page“：”1“，”DO I“：”10.1145\/3386252“，“article-title”：“从几个例子中归纳：关于少数人学习的调查”，“volume”：“53”，“author”：“Wang”，“year”：“2020”，“journal-title“：”ACM Compute.Surv.“}，{“key”：”10.1016\/j.ins.2023.01.147_br0100“，”series-title“：“2021年国际神经网络联合会议（IJCNN）”，“first page”：：“少镜头和一次性学习的解密”，“作者”：“Tyukin”，“年份”：“2021”}，{“问题”：“8”，“密钥”：“10.1016\/j.in.2023.01.1147_br0110”，“doi断言”：“crossref”，“首页”：“5087”，“doi”：“10.1109\/TII.2021.3116085”，“文章标题”：“分布式工业物联网中面向微服务的可变少镜头学习入侵检测”，“volume”：“18”，“author”：“Liang”，“year”：“2021”，“journal-title”：“IEEE Trans.Ind.Inform.”}，{“key”：”10.1016\/j.ins.2023.01.147_br0120“，”doi-asserted-by“：”crossref“，”doi“：”10.116\/j.patcog.2020.107646“，”article-title“：”用正交向量处理多发电机机构的模式崩溃“，”volume“：”110“，”author“：”Li“，“year:”2021年“，”新闻标题“：“Pattern Recognit.”}，{“key”：“10.1016\/j.ins.2023.01147_br0130”，“author”：“Chen”}：“10.1016\/j.ins.2023.01.147_br0150”，“series-title”：“神经信息处理国际会议”，“首页”：“21”，“文章-标题”：“基于生成性对抗网络的非平衡学习中的数据增强”，“作者”：“周”，“年份”：“2019”}，{“key”：“10.116\/j-ins.2023.011.47_br0160”，“doi-asserted-by”：“crossref”，“第一页”：”439，“DOI”：“10.1016\/j.asoc.2019.03.056”，“article-title”：“使用高斯混合模型对不平衡数据进行生成性学习”，“volume”：“79”，“author”：“Xie”，“year”：“2019”，“journal-title“：”Appl.Soft Compute.“}，{“key”：”10.1016\/j.ins.2023.01.147_br0170“，”DOI-asserted-by“：”crossref“，”first page“321”，“DOI:”10.1613\/ja ir.953“，”article-title“：“Smote：合成少数人过采样技术”，“volume”：“16”，“author”：“Chawla”，“year”：“2002”，“journal-title”：“J.Artif.Intell.Res.”}，{“key”：”10.1016\/J.ins.2023.01.147_br0180“，”series-title“：”智能计算国际会议“，”首页“：”878“，”article-title“”：“边界距离：非平衡数据集学习中的一种新的过采样方法”，“author”：“Han”，“year”：“2005”}，{“key”：“10.1016\/j.ins.2023.0147_br0190”，“series-title”：“2008 IEEE国际神经网络联合会议（IEEE计算智能世界大会）”，“first page”：《1322》，“article-title”：“Adasyn:用于不平衡学习的自适应合成抽样方法”，“author”：“He”，“year”：“2008”}，{“issue”：“2”，“key”：“10.1016\/j.ins.2023.0147_br0200”，“doi-asserted-by”：“crossref”，《第一页》：“279”，“doi”：“101007\/s10994-020-05913-4”，（文章标题）：“Loras:不平衡数据集的过采样方法”，《卷》：“110”，“作者”：“Bej”，“年份”：“2021”，“journal-title”：“Mach.Learn.”}，{“issue”：“1”，”key“：”10.1016\/j.ins.2023.0147_br0210“，”doi-asserted-by“：”crossref“，”first page“：“222”，“doi”：“10.1109\/TKDE.2014.2324567”，“article-title“：”Racog和wracog：两种概率过采样技术“，”volume“:”27“，”author“：”Das“，”year“：”2014“，”journal-title“：”IEEE Trans.Knowl.Data Eng.“}，{“key”：“10.1016\/j.ins.2023.01.147_br0220”，“doi-asserted-by”：“crossref”，“首页”：“47”，“doi”：“101016\/j.ins.2019.08.062”，“article-title”：“基于邻域的欠采样方法，用于处理不平衡和重叠数据”，“volume”：”509“，”author“：”Vutipittayamongkol“，”年份“2020”，“journal-title“：”Inf.Sci.“}，{”key“：“10.1016\/j.ins.2023.01.147_br0230”，“doi-asserted-by”：“crossref”，“first page”：“47”，“doi”：“10.106\/j-ins.2018.0.029”，“article-title”：“通过聚类分析和实例选择相结合的欠采样类不平衡数据集”，“volume”：”477“，”author“：”Tsai“，”year“：”2019“，”journal-title“：”Inf.Sci.“}，{”key“：”10.1016\/j.ins。2023.01.147_br0240“，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.eswa.2020.114035”，“article-title”：“Cdbh:一种基于聚类和密度的混合方法，用于不平衡数据分类”，“volume”：“164”，”author“：”Mirzaei“，”year“：”2021“，”journal-title“：”Expert Syst.Appl.“}，”{“key”：“”：“10.1016\/j.ins.2023.01.147_br0260”，“doi-asserted-by”：“crossref”，“首页”：“234”，“doi”：“10.106\/j.neucom.2018.11.101”，“article-title”：“成本敏感知识分类”，“卷”：“391”，“作者”：“张”，“年份”：“2020”，“日志标题”：“神经计算”}，{“key”：“10.0016\/j.ins.2023.01.147_br 0270”，“doi asserted-by“：”crossref“，”首页“：”198“，“DOI”：“10.1016\/j.neucom.2014.05.096”，“article-title”：“基于支持向量机集成的增强近误欠采样，用于大规模非平衡数据集的概念检测”，“volume”：“172”，“author”：“Bao”，“year”：“2016”，“journal title”：，“DOI”：“10.1109\/TNNLS.2019.2920246”，“article-title”：“不平衡数据的混合分类器集成”，“volume”：“31”，“author”：“Yang”，“year”：“2019”，“journal-title“：”IEEE Trans.Neural Netw.Learn.Syst.“}，{”key“：”10.1016\/j.ins.2023.01.147_br0290“，”article-title““：”生成对抗网“，volume“：“27”，“author”“：”Goodfellor“，”year“：”2014年”，“期刊标题”：“Adv.Neural Inf.Process.Syst.”}，｛“issue”：“9”，“key”：“10.1016\/j.in.2023.01.147_br0300”，“doi断言者”：“crossref”，“首页”：“10463”，“doi”：“10.1007\/s11227-021-03688-6”，“文章标题”：“Bcgan：一个使用边界类进行数据平衡的基于cgan的过采样模型”，“volume”：“77”，“author”：“Son”，“year”：“2021”，“journal-title”：“J.Supercomput.”}，{“issue”：“2”，“key”：“10.1016\/J.ins.2023.01.47_br0310”，“doi-asserted-by”：“crossref”，“doi”：“101016\/J.ipm.2022.103235”，《article-title》：“Rgan-el：基于gan和集成学习的混合方法，用于不平衡数据分类”，“volume”：流程管理“}，{“key”：“10.1016\/j.ins.2023.01.147_br0320”，“首页”：“10011”，“文章标题”：“Ewgan:基于熵的Wasserstein gan用于不平衡学习”，“卷”：“33”，“作者”：“任”，“年份”：“2019”，“日志标题”：”Proc.AAAI Conf.Artif.Intell.，“doi”：“10.1016\/j.eswa.2021.114582”，“article-title”：“基于Wasserstein gan的不平衡学习表格数据条件过采样”，“volume”：“174”，“author”：“Engelmann”，“year”：“2021”，“journal-title“：“Expert Syst.Appl.”}，{“issue”：“2”，“key”：”10.1016\/j.ins.2023.0147_br0340“，”doi-asserted-by“：”crossref“，”first page“641”，”doi“：”10.1007\/s10044-020-00929-x“，”文章标题“：“Rfcl：一种降低不平衡度和重叠度的新欠采样方法”，“volume”：“24”，“author”：“Zhang”，“year”：“2021”，“journal-title”：“Pattern Anal.Appl.”}，{“key”：”10.1016\/j.ins.2023.0147_br0350“，”doi-asserted-by“：”crossref“，”first page“：”184“，“doi”：“10.1016\/j.ins.2014.08.051”，“article-title“：“Smote\u2013ipf：通过带过滤的重采样方法解决不平衡分类中的噪声和边界示例问题”，“volume”：“291”，“author”：“S\u00e1ez”，“year”：“2015”，“journal-title”：“Inf.Sci.”}，{“key”：”10.1016\/j.ins.2023.01.147_br0360“，”doi-asserted-by“：”crossref“，”first page“115”，“doi”：“10.1016\/j.neucom.2016.02.006”，“article-title”：“一种基于支持向量机集成的非平衡数据分类新抽样方法”，“volume”：“193”，“author”：“Jian”，“year”：“2016”，“journal-title“：”Neurocomputing“}，{“key”：”10.1016\/j.ins.2023.01147_br0370“，”doi-asserted-by“：”crossref“，”first page“：”107“，”doi“10.1016\\j.patrec.2016.009”，“artice-title：“用于不平衡数据分类的成本敏感型大额利润分配机器”，“数量”：“80”，“作者”：“Cheng”，“年份”：“2016”，“日记标题”：“模式识别。快件”}，{“key”：“10.1016\/j.ins.2023.01147_br0380”，”doi-asserted-by“：”crossref“，”first page“：”55“，”doi“：”10.1016\/j.knosys.2015.10.012“，”article-title“：“Odoc-elm：最优决策输出基于补偿的极端学习机，用于分类不平衡数据”，“volume”：“92”，“author”：“Yu”，“year”：“2016”，“journal-title”：“Knowl.-based Syst.”}，{“issue”：“10”，“key”：”10.1016\/j.ins.2023.0147_br0390“，”doi-asserted-by“：”crossref“，”first page“1624”，“doi”：“10.1109\/TNN.2066988”，“article-title“”：“Ramoboost:排名少数民族过度抽样提升”，“volume”：“21”，“author”：“Chen”，“year”：“2010”，“journal-title”：“IEEE Trans.Neural Netw.”}，{“issue”：“12”，“key”：”10.1016\/j.ins.2023.01.147_br0400“，”doi-asserted-by“：”crossref“，”first page“3460”，“doi”：“10.1016\/j.patcog.2013.05.006”，“article-title“：“Eusboost:通过进化欠采样增强高度不平衡数据集的信号群”，“volume”：“46”，“author”：“Galar”，“year”：“2013”，“journal-title”：“Pattern Recognit.”}，{“key”：”10.1016\/j.ins.2023.0147_br0410“，”doi-asserted-by“：”crossref“，”first page“：”157“，“doi”：“10.1016\\j.ins.2020.12.023”，“article-title“：“支持从高度不平衡数据集学习的混合数据级集成”，“volume”：“554”，“author”：“Chen”，“year”：“2021”，“journal-title”：“Inf.Sci.”}，{“key”：”10.1016\/j.ins.2023.01.147_br0420“，”doi-asserted-by“：”crossref“，”doi“10.1016\/j.eswa.2019.112918”，“article-title“：“针对商业领域中阶级不平衡问题的叠层去噪自动编码器的成本敏感集成”，“卷”：“141”，“作者”：“Wong”，“年份”：“2020”，“期刊标题”：“专家系统应用”}，{“关键”：“10.1016\/j.ins.2023.01.147_br0430”，“文章标题”：《Wasserstein gans的改进培训》，“卷“：”：“30”，《作者》：“Gulrajani”，“年度”：“2017”，“期刊标题”：“Adv.Neural Inf.Process.Syst.”}，｛“key”：“10.1016\/j.in.2023.01.147_br0440”，“author”：“Miyato”}，｛“key”：“10.1016\/j.in.2023.01.147_br0450”，“系列标题”：“国际机器学习会议”，“首页”：“214”，“文章标题”：“Wasserstein生成对抗性网络”，“author”：“Arjovsky”，“year”：“2017”｝，｛“key”：“10.1016\/j.ins.2023.01.147_br0460”，“article-title”：“促进迁移学习”，“author”：“Dai”，“year”：“2007”，“journal-title“：“Mach.Learn.”}，{“key”：“10.116\/j-ins.2023.01147_br00470”，“article-title”：”Keel数据挖掘软件工具：数据集存储库，算法集成和实验分析框架“，”卷：“17”，“author”：“Alcal\u00e1-Fdez”，“year”：“2011”，“journal-title”：“J.Mult.Valued Log.Soft Compute.”}]，“container-title“：[”Information Sciences“]，“original-tittle”：[]，“language”：“en”，“link”：“[{”URL“https:\/\/api.elsevier.com\/content\/article\/PII:S0025523001615？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0020025523001615？httpAccept=text\/plain”，“content-type”：“text\/plan”，“content-version”：“vor”，“intended-application”：“文本-分钟”}]，“deposed”：{“date-parts”：[2023,9,6]]，“date-time”：”2023-09-06T10:41:35Z“，“timestamp”：1693996895000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S0020025523001615”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[[2023,6]]}，”references-count“：47，”alternative-id“：[”S002552300615“]，“URL”：“http://\/dx.doi.org\/101016\/j.ins.2023.01.147”，“relation”：{}，N“：[”0020-0255“]，”ISSN-type“：[{”value“：”0020-055“，”type“:”print“}]，“subject”：[]，“published”：{“date-parts”：[[2023,6]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“This article is maintained by”}，{“value”：“RVGAN-TL:一种生成性对抗网络和基于传递学习的混合方法，用于不平衡数据分类”，“name:”articlete“，”label“：”article Title“}，”{“value”：“Information Sciences”，“name”：“journaltitle”，“label”：“Journal Title”}，{“value”：“https:\/\/doi.org\/101016\/j.ins.2023.01.147”，“name”：“articlelink”，“标签”：“CrossRef doi link to publisher maintained version”}、{“value”：“文章”，“名称”：“content_type”，“table”：“content-type”}；{“值”：“\u00a9 2023 Elsevier Inc.保留所有权利。”，“name=”：“copyright”，“label”：“版权”}]}}