{rfName}
A

Indexado en

Licencia y uso

Citaciones

Altmetrics

Análisis de autorías institucional

Aleksic, JovanaAutor (correspondencia)Garcia-Remesal, MiguelAutor o Coautor

Compartir

2 de febrero de 2025
Publicaciones
>
Artículo
No

A Selective Under-Sampling (SUS) Method For Imbalanced Regression

Publicado en:Journal Of Artificial Intelligence Research. 82 111-136 - 2025-01-01 82(), DOI: 10.1613/jair.1.16062

Autores: Aleksic, J; García-Remesal, M

Afiliaciones

Univ Politecn Madrid, Dept Inteligencia Artificial, Biomed Informat Grp, Madrid, Spain - Autor o Coautor
Univ Politecn Madrid, Madrid, Spain - Autor o Coautor
Weill Cornell Med Qatar, Ar Rayyan, Qatar - Autor o Coautor

Resumen

Many mainstream machine learning approaches, such as neural networks, are not well suited to work with imbalanced data. Yet, this problem is frequently present in many real-world data sets. Collection methods are imperfect, and often not able to capture enough data in a specific range of the target variable. Furthermore, in certain tasks data is inherently imbalanced with many more normal events than edge cases. This problem is well studied within the classification context. However, only several methods have been proposed to deal with regression tasks. In addition, the proposed methods often do not yield good performance with high-dimensional data, while imbalanced high-dimensional regression has scarcely been explored. In this paper we present a selective under-sampling (SUS) algorithm for dealing with imbalanced regression and its iterative version SUSiter. We assessed this method on 15 regression data sets from different imbalanced domains, 5 synthetic high-dimensional imbalanced data sets and 2 more complex imbalanced age estimation image data sets. Our results suggest that SUS and SUSiter typically outperform other state-of-the-art techniques like SMOGN, or random under-sampling, when used with neural networks as learners.

Palabras clave

Adversarial machine learningCollection methodsContrastive learningData setImbalanced dataMachine learning approachesNeural-networksNormal eventsPerformanceReal-worldSampling methodUnder-sampling

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Journal Of Artificial Intelligence Research debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia Scopus (SJR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición , consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Artificial Intelligence.

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-07-04:

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 0.5.
  • El número de menciones en la red social X (antes Twitter): 1 (Altmetric).

Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: Qatar.

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (ALEKSIC, JOVANA) y Último Autor (GARCIA REMESAL, MIGUEL).

el autor responsable de establecer las labores de correspondencia ha sido ALEKSIC, JOVANA.