ترجمه فارسی مقاله تشخیص احساسات الکتروانسفالوگرام از طریق حداکثر سازی AUC

چکیده

Imbalanced datasets pose significant challenges in areas including neuroscience, cognitive science, and medical diagnostics, where accurately detecting minority classes is essential for robust model performance. This study addresses the issue of class imbalance, using the `Liking’ label in the DEAP dataset as an example. Such imbalances are often overlooked by prior research, which typically focuses on the more balanced arousal and valence labels and predominantly uses accuracy metrics to measure model performance. To tackle this issue, we adopt numerical optimization techniques aimed at maximizing the area under the curve (AUC), thus enhancing the detection of underrepresented classes. Our approach, which begins with a linear classifier, is compared against traditional linear classifiers, including logistic regression and support vector machines (SVM). Our method significantly outperforms these models, increasing recall from 41.6\% to 79.7\% and improving the F1-score from 0.506 to 0.632. These results highlight the efficacy of AUC maximization via numerical optimization in managing imbalanced datasets, providing an effective solution for enhancing predictive accuracy in detecting minority but crucial classes in out-of-sample datasets.

چکیده به فارسی (ترجمه ماشینی)

مجموعه داده های نامتعادل در مناطقی از جمله علوم اعصاب ، علوم شناختی و تشخیص پزشکی چالش های قابل توجهی ایجاد می کند ، که در آن تشخیص دقیق کلاس های اقلیت برای عملکرد مدل قوی ضروری است.این مطالعه به مسئله عدم تعادل کلاس ، با استفاده از برچسب “دوست داشتنی” در مجموعه داده های DEAP به عنوان نمونه می پردازد.چنین عدم تعادل اغلب توسط تحقیقات قبلی نادیده گرفته می شود ، که به طور معمول بر برچسب های برانگیختگی و ارزش متعادل تر متمرکز است و عمدتاً از معیارهای دقت برای اندازه گیری عملکرد مدل استفاده می کند.برای مقابله با این مسئله ، ما تکنیک های بهینه سازی عددی را با هدف به حداکثر رساندن منطقه در زیر منحنی (AUC) اتخاذ می کنیم ، بنابراین تشخیص کلاسهای کم نماینده را افزایش می دهیم.رویکرد ما ، که با یک طبقه بندی خطی شروع می شود ، در برابر طبقه بندی کننده های خطی سنتی ، از جمله رگرسیون لجستیک و دستگاه های بردار پشتیبانی (SVM) مقایسه می شود.روش ما به طور قابل توجهی از این مدل ها بهتر عمل می کند ، فراخوان را از 41.6 \ ٪ به 79.7 \ ٪ افزایش می دهد و باعث بهبود نمره F1 از 0.506 به 0.632 می شود.این نتایج اثربخشی حداکثر رساندن AUC را از طریق بهینه سازی عددی در مدیریت مجموعه داده های نامتوازن برجسته می کند ، و یک راه حل مؤثر برای افزایش دقت پیش بینی در تشخیص اقلیت اما کلاسهای مهم در مجموعه داده های خارج از نمونه ارائه می دهد.