Paper Reading 博客汇总
按照算法的类型对个人的 Paper Reading 博客进行汇总，涉及多个研究方向的论文将按照个人主观感觉的主要方向排列。
不平衡学习
- A Novel Model for Imbalanced Data Classification：一种新的不平衡数据分类模型，涉及：不平衡问题、重采样、代价敏感学习、集成学习，发表于 AAAI Conference on Artificial Intelligence(AAAI) 2020。
- Model-Based Synthetic Sampling for Imbalanced Data：基于模型的不平衡数据采样，涉及：不平衡问题、过采样、实例生成，发表于 IEEE Transactions on Knowledge and Data Engineering（TKDE）2020。
- A three-way decision ensemble method for imbalanced data oversampling：一种用于不平衡数据过采样的三向决策集成方法，不平衡问题、过采样、构造覆盖算法、集成学习，发表于 International Journal of Approximate Reasoning 2019。
- Ensemble of Classifiers based on Multiobjective Genetic Sampling for Imbalanced Data：基于多目标遗传采样的不平衡分类器集成，涉及：不平衡问题、重采样、多目标优化、集成学习，发表于 IEEE Transactions on Knowledge and Data Engineering（TKDE）2020。
- Self-paced Ensemble for Highly Imbalanced Massive Data Classification：用于高度不平衡海量数据分类的自定步速集成模型，涉及：不平衡问题、实例硬度、重采样、集成学习，发表于 IEEE International Conference on Data Engineering (ICDE) 2020。
- Exploratory Undersampling for Class-Imbalance Learning：一种不平衡学习的探索性欠采样方法，涉及：不平衡问题、集成学习、baseline 方法，发表于 IEEE Transactions on Systems Man Cybernetics-Systems 2009。
- A Re-Balancing Strategy for Class-Imbalanced Classification Based on Instance Difficulty：基于实例硬度再平衡的不平衡分类算法，涉及：不平衡问题(图像)、实例硬度、重采样，发表于 IEEE Conference on Computer Vision and Pattern Recognition(CVPR) 2022。
- DeepSMOTE: Fusing Deep Learning and SMOTE for Imbalanced Data：融合深度学习和不平衡数据的 SMOTE，涉及：不平衡问题(图像)、过采样、实例生成，发表于 IEEE Transactions on Neural Networks and Learning Systems 2022。
- Hashing-Based Undersampling Ensemble for Imbalanced Pattern Classification Problems：基于哈希的欠采样不平衡分类集成模型，涉及：不平衡问题、Hash、欠采样、子空间，发表于 IEEE Transactions on Cybernetics 2022。
- Sample and feature selecting based ensemble learning for imbalanced problems：基于样本和特征选择的不平衡问题集成学习算法，涉及：不平衡问题、欠采样、特征选择，发表于 Applied Soft Computing 2021。
- Oversampling with Reliably Expanding Minority Class Regions for Imbalanced Data Learning：可靠的扩展少数类区域的过采样方法，涉及：不平衡问题、过采样、候选子区域，发表于 IEEE Transactions on Knowledge and Data Engineering（TKDE）2021。
并行与分布式
- CERT-DF: A Computing-Efficient and Robust Distributed Deep Forest Framework With Low Communication Overhead：CERT-DF：一种计算高效、健壮、低通信开销的分布式深林框架，涉及：分布式计算、深度森林，发表于 IEEE Transactions on Parallel and Distributed Systems(TPDS) 2023。
多标签学习
- Learning from Weak-Label Data: A Deep Forest Expedition：用于弱标签数据的深度森林，涉及：弱标签学习、深度森林，发表于 AAAI 2020。
回归
- SMOTE for Regression：回归的 SMOTE，涉及：不平衡回归、重采样，发表于 Portuguese Conference on Artificial Intelligence (EPIA) 2013。
- SMOGN: a Pre-processing Approach for Imbalanced Regression：一种用于不平衡回归的预处理方法 SMOGN，涉及：不平衡回归、重采样、高斯噪声，发表于 Proceedings of Machine Learning Research (PMLR) 2017。
- Density‑based weighting for imbalanced regression：基于密度加权的不平衡回归算法，涉及：代价敏感学习、稀有度度量、神经网络，发表于 Machine Learning 2021。
- Pre-processing approaches for imbalanced distributions in regression：不平衡回归问题的预处理方法，涉及：不平衡回归、重采样，发表于 Neurocomputing 2019。
- imbalanced regression and extreme value prediction:不平衡回归和极端值预测，涉及：不平衡回归、非参数方法、评估指标涉及，发表于 Machine Learning 2020。
决策树
- Interpretable Rule Discovery Through Bilevel Optimization of Split-Rules of Nonlinear Decision Trees：通过双重优化非线性决策树的分类规则的可解释规则发现，涉及：非线性决策树、GA、可解释，发表于 IEEE Transactions on Cybernetics 2021。
- FT4cip: A new functional tree for classification in class imbalance problems：一种用于不平衡问题的新的分类函数树，涉及：决策树、不平衡问题，发表于 Knowledge-based systems 2022。
- Tree in Tree: from Decision Trees to Decision Graphs：TnT 从决策树到决策图，涉及：决策图、可解释，发表于 NeurlPS 2021。
- PCTBagging: From inner ensembles to ensembles. A trade-off between discriminating capacity and interpretability：一种在分类能力和可解释性之间的权衡的集成算法 PCTBagging，涉及：合并树构建、Bagging、可解释性，发表于 Information Sciences 2022。
集成学习
- Deep Forest：深度森林，涉及：集成学习、深度学习、随机森林，发表于 National Science Review 2018。
- Improving Deep Forest by Exploiting High-order Interactions：基于高阶特征交互的改进深度森林，涉及：深度森林、特征表示、特征选择，发表于 IEEE International Conference on Data Mining (ICDM) 2021。
- DBC-Forest: Deep forest with binning confidence screening：基于分桶的置信度筛选深度森林，涉及：深度森林、分桶、阈值选择，发表于 Neurocomputing 2022。
- WCDForest: a weighted cascade deep forest model toward the classifcation tasks：一个用于分类任务的加权级联深度森林模型，涉及：深度森林、特征加权，发表于 Applied Intelligence 2023。
进化计算
- An Evolutionary Forest for Regression：一种回归的进化森林，涉及：GP、特征构建、回归随机森林，发表于 IEEE Transactions on Evolutionary Computation 2021。
- PS-Tree: A piecewise symbolic regression tree：一个分段符号回归树，涉及：GP、子空间、多目标优化，发表于 Swarm and Evolutionary Computation 2022。
- Multitree Genetic Programming With New Operators for Transfer Learning in Symbolic Regression With Incomplete Data：用于不完全数据符号回归的新算子多树 GP 迁移学习算法，涉及：多树 GP、不完全符号回归、迁移学习，发表于 IEEE Transactions on Evolutionary Computation 2022。
计算机视觉
- Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold：拖动你的 GAN：基于点的交互式生成图像流操作，涉及：GAN、图像编辑，发表于 ACM Special Interest Group on Computer Graphics(SIGGRAPH) 2023。
神经决策模型
- NBDT: Neural-Backed Decision Trees：神经支持决策树，涉及：神经决策树、可解释，发表于 International Conference on Learning Representations(ICLR) 2021。
- Adaptive Neural Trees：自适应神经树，涉及：神经网络、决策树、子空间，发表于 International Conference on Machine Learning (ICML) 2019。
- Gradient Boosted Neural Decision Forest：梯度提升的神经决策森林，涉及：神经决策森林、梯度提升，发表于 IEEE Transactions on Services Computing 2021。
神经网络
- Neural random subspace：神经随机子空间，涉及：子空间、神经网络，发表于 Pattern Recognition 2020。
生物信息
- forgeNet: a graph deep neural network model using tree-based ensemble classifiers for feature graph construction：一种基于树的集成分类器构建特征图的图深度神经网络模型，涉及：生物信息网络、随机森林、深度神经网络，发表于 Bioinformatics 2020。
- A hybrid deep forest-based method for predicting synergistic drug combinations：一种基于混合深度森林的联合用药组合预测方法，涉及：联合用药、深度森林、不平衡学习、可解释，发表于 Cell Reports Methods 2023。
特征工程
- ControlBurn-Feature Selection by Sparse Forests：基于稀疏森林的特征选择，涉及：稀疏森林、特征选择、LASSO，发表于 ACM SIGKDD Conference on Knowledge Discovery and Data Mining(KDD) 2021。
- XRRF: An eXplainable Reasonably Randomised Forest algorithm for classification and regression problems：一种用于分类和回归问题的可解释合理随机森林算法，涉及：图算法、特征选择、随机森林，发表于 Information Sciences 2022。
- A pareto-based ensemble of feature selection algorithms ：一种基于帕累托优化的集成特征选择算法，涉及：帕累托优化、集成特征选择，发表于 Expert Systems with Applications 2021。
